[논문 리뷰] Data driven weather forecasts trained and initialised directly from observations
이 논문은 물리 기반 모델과 재분석 데이터셋을 완전히 배제하고, 원시 관측 데이터에서 직접 신경망을 훈련하고 초기화하는 새로운 데이터 기반 기상 예측 접근법을 제안한다. 수준-1 관측 자료(예: 위성 복사율, SYNOP 데이터 등)의 시간적 패턴을 학습함으로써, 표면 기온과 바람을 최대 12시간 앞서 현실적으로 예측할 수 있으며, 이는 복잡한 대기역학이 명시적인 자료 융합 또는 배경 예측 없이도 관측 자료로부터 순수하게 포착될 수 있음을 보여준다.
Skilful Machine Learned weather forecasts have challenged our approach to numerical weather prediction, demonstrating competitive performance compared to traditional physics-based approaches. Data-driven systems have been trained to forecast future weather by learning from long historical records of past weather such as the ECMWF ERA5. These datasets have been made freely available to the wider research community, including the commercial sector, which has been a major factor in the rapid rise of ML forecast systems and the levels of accuracy they have achieved. However, historical reanalyses used for training and real-time analyses used for initial conditions are produced by data assimilation, an optimal blending of observations with a physics-based forecast model. As such, many ML forecast systems have an implicit and unquantified dependence on the physics-based models they seek to challenge. Here we propose a new approach, training a neural network to predict future weather purely from historical observations with no dependence on reanalyses. We use raw observations to initialise a model of the atmosphere (in observation space) learned directly from the observations themselves. Forecasts of crucial weather parameters (such as surface temperature and wind) are obtained by predicting weather parameter observations (e.g. SYNOP surface data) at future times and arbitrary locations. We present preliminary results on forecasting observations 12-hours into the future. These already demonstrate successful learning of time evolutions of the physical processes captured in real observations. We argue that this new approach, by staying purely in observation space, avoids many of the challenges of traditional data assimilation, can exploit a wider range of observations and is readily expanded to simultaneous forecasting of the full Earth system (atmosphere, land, ocean and composition).
연구 동기 및 목표
- 기계 학습 기반 기상 예측에서 물리 기반 모델과 재분석 데이터셋에 대한 의존도를 제거하기 위해.
- 배경 예측과 복잡한 오차 공분산 모델링에 의존하는 전통적 자료 융합의 한계를 해결하기 위해.
- 신경망이 중간 격자형 변수 없이 원시 관측 자료에서 직접 대기역학을 학습할 수 있는지 탐색하기 위해.
- 대기, 해양, 지구 표면 등 다양한 관측 자료를 통합해 훈련함으로써 완전히 결합된 지구 시스템 예측을 가능하게 하기 위해.
- 기존에 운영형 NWP에서 복사열 전달 복잡성으로 인해 제외되었던, 활용도가 낮은 관측 자료(예: 가시광선 위성 복사율)를 해방하기 위해.
제안 방법
- 모델은 위성 복사율, 현장 측정치(예: SYNOP), 기타 관측 유형을 포함한 역사적 원시 관측 자료(수준-1 데이터)에만 훈련된다.
- 예측은 관측 공간에서 수행된다: 네트워크는 과거의 관측 자료에서 임의의 위치에서 미래의 기상 변수(예: 표면 기온, 바람 등)의 값을 직접 예측한다.
- 격자형 초깃값이나 배경 예측이 필요로 하지 않기 때문에 자료 융합을 피함. 대신, 관측 시계열에서 시간에 따른 변화를 학습한다.
- 다양한 관측 입력을 사용하여 12시간 선도 시간 예측을 위한 프로토타입 신경망을 훈련한다.
- 이 방법은 지구 시스템 구성 요소에 대해 본질적으로 중립적이며, 통합된 관측 데이터셋에서 대기, 해양, 지구 표면, 대기 성분을 동시에 예측할 수 있다.
- 명시적인 물리 방정식이 필요로 하지 않지만, 다양한 관측 유형 간의 공간적·시간적 상관관계를 활용함으로써 물리적 관계를 암묵적으로 학습한다.
실험 결과
연구 질문
- RQ1신경망이 재분석 또는 물리 기반 모델에 의존하지 않고 원시 관측 자료에서만 학습하여 현실적인 12시간 기상 예측을 수행할 수 있는가?
- RQ2관측 시계열만을 사용할 때, 단순한 이동 이론을 넘어서 복잡한 대기역학을 얼마나 잘 포착할 수 있는가?
- RQ3기존 운영형 NWP에서 복사열 전달 복잡성으로 인해 일반적으로 배제되는, 예를 들어 가시광선 스펙트럼 위성 복사율과 같은 활용도가 낮은 관측 유형을 효과적으로 활용할 수 있는가?
- RQ4자료 융합에 비해, 직접 관측 기반 예측은 지구 시스템 구성 요소 전반에 걸쳐 안정성과 확장성 측면에서 어떻게 비교되는가?
- RQ5동일한 아키텍처를 활용해 통합된 관측 훈련 세트를 사용하여 동시에 대기, 해양, 지구 표면, 성분을 예측할 수 있는가?
주요 결과
- 모델은 원시 관측 자료에서 시간에 따른 대기 과정의 변화를 성공적으로 학습하여, 표면 기온과 바람에 대한 현실적인 12시간 예측을 생성한다.
- 프로토타입 네트워크와 제한된 관측 자료로도, 단순한 이동 이론을 넘어서는 복잡한 시공간 패턴을 포착하여 예측 성능을 보여준다.
- 다양한 관측 유형 간(예: 위성 복사율과 SYNOP 표면 데이터)의 강력한 관계를 학습하여 핵심 기상 변수를 정확하게 예측할 수 있다.
- 자료 융합과 배경 예측이 필요로 하지 않기 때문에, 오차 공분산 추정 및 위성 관측의 노르말 스페이스 제약 등의 과제를 피할 수 있다.
- 초기 결과로는 모델이 높은 현실성으로 미래 관측 자료를 예측할 수 있음을 확인하였으며, 더 정교한 아키텍처로 확장할 경우 장기 예측 가능성도 시사한다.
- 이 방법은 지구 시스템 구성 요소에 관계없이 모든 관측 자료를 동일하게 취급하기 때문에, 결합된 지구 시스템 예측에 본질적으로 확장 가능하다.
더 나은 연구,지금 바로 시작하세요
논문 읽기부터 검토까지, 연구 시간을 획기적으로 줄여보세요.
카드 등록 없음 · 무료 플랜 제공
이 리뷰는 AI가 만들고, 인간 에디터가 검토했습니다.