[논문 리뷰] The rise of data-driven weather forecasting

Zied Ben-Bouallegue, Mariana Clare외 15명|arXiv (Cornell University)|2023. 07. 19.

Meteorological Phenomena and Simulations인용 수 43

한 줄 요약

본 논문은 데이터 기반의 ML 기반 기상 예보가 전통적 NWP 예보(ECMWF IFS)와 비교하여 운영 유사한 설정에서 얼마나 경쟁력 있는 능력을 보이는지 평가하고, 현재 ML의 단점을 식별한다.

ABSTRACT

Data-driven modeling based on machine learning (ML) is showing enormous potential for weather forecasting. Rapid progress has been made with impressive results for some applications. The uptake of ML methods could be a game-changer for the incremental progress in traditional numerical weather prediction (NWP) known as the 'quiet revolution' of weather forecasting. The computational cost of running a forecast with standard NWP systems greatly hinders the improvements that can be made from increasing model resolution and ensemble sizes. An emerging new generation of ML models, developed using high-quality reanalysis datasets like ERA5 for training, allow forecasts that require much lower computational costs and that are highly-competitive in terms of accuracy. Here, we compare for the first time ML-generated forecasts with standard NWP-based forecasts in an operational-like context, initialized from the same initial conditions. Focusing on deterministic forecasts, we apply common forecast verification tools to assess to what extent a data-driven forecast produced with one of the recently developed ML models (PanguWeather) matches the quality and attributes of a forecast from one of the leading global NWP systems (the ECMWF IFS). The results are very promising, with comparable skill for both global metrics and extreme events, when verified against both the operational analysis and synoptic observations. Increasing forecast smoothness and bias drift with forecast lead time are identified as current drawbacks of ML-based forecasts. A new NWP paradigm is emerging relying on inference from ML models and state-of-the-art analysis and reanalysis datasets for forecast initialization and model training.

연구 동기 및 목표

• 전통적 NWP를 넘어 기상 예보를 가속화할 수 있는 잠재력으로 데이터 기반 모델링을 고무한다.
• 고품질 재분석 데이터로 학습된 ML 기반 예보를 동일 초기 조건을 사용한 글로벌 주요 NWP 시스템과 비교 평가한다.
• 전역 지표 및 극한 사건에서 ML 예보의 강점과 한계를 분석한다.
• ML 추론과 최첨단 분석이 예보 초기화와 학습을 주도하는 새로운 패러다임을 강조한다.

제안 방법

• ML로 생성된 예보(PanguWeather)를 동일 초기 조건에서 초기화된 ECMWF IFS 예보와 비교한다.
• 확정 예보에 표준 예측 검증 도구를 적용한다.
• ML 모델 개발을 위해 고품질 재분석(ERA5)의 학습 데이터를 사용한다.
• 운용 분석 및 합성 기상 관측에 대한 성능을 평가한다.
• 리드 타임이 증가함에 따라 예보의 매끄러움 증가 및 편향 드리프트 등 문제를 파악한다.

실험 결과

연구 질문

• RQ1 동일 조건에서 초기화될 때 데이터 기반 ML 예보는 선도 NWP 시스템에 비해 얼마나 성능을 보이는가?
• RQ2 전역 지표 및 극한 이벤트에서 ML 예보의 상대적 기술은 NWP 예보와 어떤가?
• RQ3 ML 기반 기상 예보의 현재 단점은 무엇인가(예: 매끄러움, 편향 드리프트 등)?
• RQ4 재분석 데이터로 학습된 ML 모델이 상당히 낮은 계산 비용으로 경쟁력 있는 정확도를 달성할 수 있는가?
• RQ5 ML 추론과 최첨단 분석을 초기화 및 학습에 결합함으로써 어떤 예보 패러다임이 나타나는가?

주요 결과

• ML 예보는 운영 분석 및 합성 기상 관측에 대해 검증될 때 전역 지표 및 극한 사건에서 선도적인 NWP 예보와 유사한 기술을 보인다.
• ML 모델이 생산한 예보는 더 낮은 계산 비용으로 경쟁력 있는 정확도를 달성할 수 있다.
• 확인된 단점으로는 ML 기반 예보에서 리드 타임이 길어질수록 예보의 매끄러움 증가와 편향 드리프트가 포함된다.
• 결과는 초기화 및 학습에 ML 추론과 고품질 재분석 데이터에 의존하는 새로운 NWP 패러다임의 가능성을 보여준다.
• 이 연구는 운영 유사 맥락에서 ML 예보를 글로벌 NWP 시스템과 직접 비교한 최초의 사례를 제공한다.