[논문 리뷰] GraphCast: Learning skillful medium-range global weather forecasting

Rémi Lam, Álvaro Sánchez‐González외 16명|arXiv (Cornell University)|2022. 12. 24.

Advanced Graph Neural Networks인용 수 169

한 줄 요약

GraphCast는 ERA5 재분석 데이터로 학습된 그래프 신경망 기반 기상 모델로, 해상도 0.25°에서 최대 10일 ahead까지 수백 개의 기상 변수들을 예측하고, 다수의 목표에서 ECMWF HRES를 능가합니다. 빠르게 실행되며 심각한 이벤트 예측을 지원합니다.

ABSTRACT

Global medium-range weather forecasting is critical to decision-making across many social and economic domains. Traditional numerical weather prediction uses increased compute resources to improve forecast accuracy, but cannot directly use historical weather data to improve the underlying model. We introduce a machine learning-based method called "GraphCast", which can be trained directly from reanalysis data. It predicts hundreds of weather variables, over 10 days at 0.25 degree resolution globally, in under one minute. We show that GraphCast significantly outperforms the most accurate operational deterministic systems on 90% of 1380 verification targets, and its forecasts support better severe event prediction, including tropical cyclones, atmospheric rivers, and extreme temperatures. GraphCast is a key advance in accurate and efficient weather forecasting, and helps realize the promise of machine learning for modeling complex dynamical systems.

연구 동기 및 목표

• 재분석 데이터에서 직접 학습된 데이터 기반 MLWP 모델이 전 세계 기상 변수를 최대 10일 앞까지 예측할 수 있음을 보여준다.
• GraphCast가 광범위한 검증 대상에서 운영 결정론 시스템 HRES를 능가할 수 있음을 보여준다.
• GraphCast의 심각한 이벤트 예측(사이클론, 대기 강, 극한 기온)에 대한 유용성을 평가한다.
• 학습 데이터의 최신성이 예측 기술에 미치는 영향을 평가하고 한계와 향후 방향을 논의한다.

제안 방법

• 정제된 icosahedral 메시에서 파생된 다중 메시 그래프를 사용하여 Encode–process–decode GraphCast 아키텍처를 구성한다.
• 6시간 간격으로 상태 잔차를 예측하여 자기회귀 예측을 수행한다.
• 수직 수준으로 가중된 MSE 손실로 ERA5 재분석의 39년(1979–2017) 데이터를 사용해 학습하고, 자기회귀 단계를 1단계에서 12단계로 점차 증가시킨다.
• 0.25° 해상도에서 10일 예측에 대해 1380개 대상에서 RMSE와 이상상관계수(ACC)를 사용하여 GraphCast와 HRES를 비교한다.
• ERA5를 입력/출력으로 사용한 지상참조를 기반으로 하고 유사한 데이터 동합 윈도우를 보장하기 위해 HRES-fc0 기준선을 구성한다.
• Google Cloud TPUs에서 3,670만 개 매개변수로 GraphCast를 운용하고 0.25° × 0.25° 격자와 37 압력 수준에 의존한다.

실험 결과

연구 질문

• RQ1 ERA5 재분석 데이터에서 학습된 그래프 신경망이 최대 10일 ahead까지 여러 변수의 기상 상태를 예측하도록 학습할 수 있는가?
• RQ2 Lead times에 걸쳐 검증 대상의 광범위한 세트에서 GraphCast가 ECMWF의 HRES 결정론 모델에 비해 어떤 성능을 보이는가?
• RQ3 직접적으로 이를 학습하지 않더라도 GraphCast가 심각한 이벤트 예측(사이클론, 대기 강, 극단적 기온)에서 개선을 제공하는가?
• RQ4 최근 학습 데이터의 사용이 GraphCast의 예측 기술에 어떤 영향을 미치는가?
• RQ5 집합 방법과 비교할 때 결정론적 ML 기반 예측의 한계는 무엇인가?

주요 결과

• GraphCast는 0.25° 해상도에서 10일 예측 대상 1380개 중 90.3%에서 HRES를 능가하고 89.9%에서 유의하게 우수하다.
• z500 헤드라인 필드에 대해 GraphCast는 RMSE 기술 향상 7–14% 및 ACC가 HRES보다 높다.
• GraphCast는 대부분의 변수와 수평/수직 레벨에서 우수한 성능을 유지하며, 가장 높은/가장 낮은 50 hPa 레벨을 제거하면 우위가 96.9%(50 hPa 제외), 99.7%(50 및 100 hPa 제외)로 상승한다.
• GraphCast의 사이클론 트랙은 예측 시간 18시간에서 4.75일 사이에서 HRES보다 더 정확하다.
• GraphCast는 대기 강 관련 IVT 예측에서 HRES에 비해 향상을 보이며, 특히 더 긴 선두 시점에서 RMSE가 약 10–25% 개선된다.
• 극단 온도 이벤트 예측에서 GraphCast는 5–10일 선두에서 정밀도-재현율이 더 좋지만, 12시간에서는 HRES가 더 좋을 수 있다.