[논문 리뷰] Forecasting Global Weather with Graph Neural Networks

Ryan Keisler|arXiv (Cornell University)|2022. 02. 15.

Meteorological Phenomena and Simulations인용 수 126

한 줄 요약

이 논문은 그래프 신경망을 이용한 데이터 기반 기상 예측 모델을 제시하며, 지구 대기 상태를 6시간 간격으로 변화시키고, 1도 격자에서 운용 모델과 경쟁력 있는 성능을 보이고, 라이브 GFS 예보와의 통합을 가능하게 한다.

ABSTRACT

We present a data-driven approach for forecasting global weather using graph neural networks. The system learns to step forward the current 3D atmospheric state by six hours, and multiple steps are chained together to produce skillful forecasts going out several days into the future. The underlying model is trained on reanalysis data from ERA5 or forecast data from GFS. Test performance on metrics such as Z500 (geopotential height) and T850 (temperature) improves upon previous data-driven approaches and is comparable to operational, full-resolution, physical models from GFS and ECMWF, at least when evaluated on 1-degree scales and when using reanalysis initial conditions. We also show results from connecting this data-driven model to live, operational forecasts from GFS.

연구 동기 및 목표

• 현재의 3D 대기 상태를 6시간 앞으로 이동시켜 글로벌 기상을 예측하는 확장 가능한 데이터 기반 모델을 개발한다.
• 구면 기하를 다루고 밀집된 다변량 대기 데이터를 처리하기 위해 그래프 신경망을 활용한다.
• 이전 데이터 기반 접근법 및 작동하는 물리 기반 모델과의 성능을 평가한다.
• 실제 운영 예보 시스템(GFS)과의 호환성을 입증하여 물리 기반+ML 하이브드 워크플로를 구성한다.

제안 방법

• Encoder, Processor, Decoder로 구성된 3단 구성 아키텍처를 사용한다. Encoder는 위도/경도 격자 데이터를 icosahedron latent grid로 매핑하고, Processor는 잠재 특징에 대해 반복적인 메시지 전달을 수행하며, Decoder는 6-hour 상태 변화를 예측하기 위해 다시 위도/경도 격자로 매핑한다.
• 모델은 1도 격자에서 78 채널(6개 변수 x 13 압력 수준)을 가지고 작동하며, icosahedron 격자에서 5,882 잠재 노드에 걸쳐 있다.
• 다단계 롤아웃 손실(4, 8, 12 스텝은 각각 1–3일 롤아웃에 해당)로 학습하고, 각 변수의 시간 차 분산으로 손실을 정규화한다.
• ERA5 재분석 데이터로 학습하고, 별도로 이력 GFS 예측으로 학습하며, 입력으로 고정된 육해 마스크와 지형고도, 그리고 태양 복사를 사용한다.
• NVIDIA A100 하드웨어에서 기울기(그라디언트)와 메모리-효율 전략을 활용한다; 6-hour 스텝 지연은 스텝당 0.04초이며, 5일 예측에 약 0.8초를 가능하게 한다.

실험 결과

연구 질문

• RQ1 데이터 기반의 그래프 신경망 기반 모델이 1도 해상도에서 이전 데이터 기반 방법보다 더 높은 충실도로 글로벌 기상을 예측할 수 있는가?
• RQ2 dense 대기 데이터에서 다단계 손실로 학습될 때 6-hour-step autoregressive 롤아웃은 다일 예측에 대해 어떻게 수행되는가?
• RQ3 재분석으로 초기화된 벤치마크에서 데이터 기반 예측기가 운영 NWP 모델(GFS/ECMWF)과 맞먹거나 근접할 수 있는가?
• RQ4 데이터 기반 예측 엔진을 라이브 운영 예보(GFS)와 연결하여 정확하고 시기적절한 하이브리드 예보를 생성하는 것이 가능한가?

주요 결과

• 모델은 1도 격자에서 78 채널에 걸친 6시간 상태 변화를 예측하도록 학습하며, 여러 스텝으로 롤아웃하여 며칠에 걸친 예측을 생성할 수 있다.
• ERA5 기반 테스트에서 데이터 기반 예측은 이전 데이터 기반 모델보다 우수하고 재analysis 초기 조건에서 1도 규모의 GFS/ECMWF 생산 성능과 비교할 수 있다.
• GFS v15.2 및 2020년 ECMWF 생산과 비교했을 때, 데이터 기반 모델은 일반적으로 GFS보다 우수하고, 탈출을 모사하기 위한 평활화가 적용된 외적 열대 지역에서 ECMWF에 비견될 정도이다.
• 데이터 기반 모델을 라이브 GFS 데이터에 연결하여 하이브리드 시스템을 만들어 게시된 업데이트보다 앞서 예보 간 변화를 예측하는 것이 가능하였으며, 3일 롤아웃으로 시연되었다.
• 이 접근법은 약 6일 롤아웃까지 안정성을 보이며, 그 이상에서 육각형 불안정성이 나타나지만 방법론적 조정으로 해결 가능하다.