[논문 리뷰] Skillful Twelve Hour Precipitation Forecasts using Large Context Neural Networks

Lasse Espeholt, Shreya Agrawal외 8명|arXiv (Cornell University)|2021. 11. 14.

Meteorological Phenomena and Simulations인용 수 40

한 줄 요약

MetNet-2는 12 hours ahead까지의 강수 예보를 위한 확률적 신경망으로, CONUS에서 HRRR 및 HREF라는 최첨단 물리 기반 모델보다 예측 능력이 우수합니다. 이 모델은 큰 맥락, lead-time conditioning, 및 모델 병렬성을 사용하여 1 km2 forecasts at 1 km resolution를 제공합니다.

ABSTRACT

The problem of forecasting weather has been scientifically studied for centuries due to its high impact on human lives, transportation, food production and energy management, among others. Current operational forecasting models are based on physics and use supercomputers to simulate the atmosphere to make forecasts hours and days in advance. Better physics-based forecasts require improvements in the models themselves, which can be a substantial scientific challenge, as well as improvements in the underlying resolution, which can be computationally prohibitive. An emerging class of weather models based on neural networks represents a paradigm shift in weather forecasting: the models learn the required transformations from data instead of relying on hand-coded physics and are computationally efficient. For neural models, however, each additional hour of lead time poses a substantial challenge as it requires capturing ever larger spatial contexts and increases the uncertainty of the prediction. In this work, we present a neural network that is capable of large-scale precipitation forecasting up to twelve hours ahead and, starting from the same atmospheric state, the model achieves greater skill than the state-of-the-art physics-based models HRRR and HREF that currently operate in the Continental United States. Interpretability analyses reinforce the observation that the model learns to emulate advanced physics principles. These results represent a substantial step towards establishing a new paradigm of efficient forecasting with neural networks.

연구 동기 및 목표

• 물리 기반의 HPC 주도 단기 기상 예보의 대안으로 신경망 접근법을 동기부여한다.
• 1 km × 1 km 공간 해상도에서 최대 12 hours ahead까지 강수를 예보할 수 있는 모델을 개발한다.
• 큰 맥락과 lead-time conditioning이 외삽 및 현재 예측을 넘은 숙련된 예보를 가능하게 함을 보여준다.
• 대기 시뮬레이션에 의존하지 않고도 확률적 예보를 시연하고 불확실성을 정량화한다.

제안 방법

• MetNet-2를 개발하여 강수율의 이산 분포를 512 categories로 구분하여 예측하는 확률적 딥 네트워크를 구축한다.
• 입력 맥락으로 2048 km × 2048 km를 사용하고 목표 패치 512 km × 512 km를 설정하여 대규모 맥락을 포착한다.
• 지수적으로 확장된 컨볼루션을 사용하여 층 간 수용영역을 지수적으로 확장한다.
• 원-핫 임베딩을 통해 lead-time conditioning을 도입하여 컨볼루션 계층을 곱셈 및 덧셈으로 모듈레이션한다.
• 큰 맥락과 목표 패치를 처리하기 위해 16 TPU 코어에 걸쳐 모델 병렬성을 적용한다.
• 레이더, HRRR의 동화 상태, 위성 영상 및 기타 지상 관측으로 학습하여 입력을 출력 분포에 맵핑한다.

실험 결과

연구 질문

• RQ1 MetNet-2가 CONUS 지역의 12-hour 강수 예보에서 물리 기반 단기 예보(HRRR/HREF)보다 우수한가?
• RQ2 신경망이 명시적 대기 시뮬레이션에 의존하지 않고도 현실적인 확률적 예보와 불확실성을 학습할 수 있는가?
• RQ3 입력 맥락 크기와 lead-time conditioning이 예보 능력과 불확실성 정량화에 어떠한 영향을 주는가?
• RQ4 NWP 예보와의 후처리 또는 하이브리드 버전이 특히 더 긴 예보 시간에서 추가 이점을 제공하는가?
• RQ5 데이터로부터 모델이 모방하는 물리적 메커니즘이나 패턴은 무엇인가(예: 상층 대기 유동성의 중요성 증가 등)?

주요 결과

• MetNet-2는 12 hours까지의 기간에 대해 즉시 강수 및 시간별 누적 강수 측정에서 HRRR 및 HREF를 능가한다.
• MetNet-2는 확률적 지표(CRPS, CRPSS, 및 Brier Score)와 범주형 지표(CSI) 모두에서 물리 기반 앙상블 모델보다 더 나은 점수를 얻는다.
• 모델의 성능은 다양한 지역의 강수 패턴에서도 여전히 강력하며, 물리 기반 후처리 및 하이브리드와 비교해도 이득이 지속된다.
• lead-time conditioning과 대규모 맥락이 필수적이며, 이를 제거하거나 확장 비대를 제한하면 성능이 저하된다.
• Integrated Gradients를 이용한 분석은 모델이 물리와 유사한 패턴(예: 시간이 길어질수록 상위 수준의 소용돌이의 관련성 증가)을 학습해 대기 물리를 모방한다는 것을 시사한다.