[論文レビュー] Deep learning for post-processing global probabilistic forecasts on sub-seasonal time scales

Nina Horat, Sebastian Lerch|arXiv (Cornell University)|Jun 28, 2023

Meteorological Phenomena and Simulations被引用数 5

ひとこと要約

本稿では、ECMWF予報出力のグローバルな空間場に直接作用する畳み込みニューラルネットワーク（CNN）ベースの事後処理手法を提案し、週3〜6のサブシーズンスケールにおける確率的温度・降水量予報の精度向上を図る。モデルは空間的に一貫性があり、良好にキャリブレーションされた三等分確率予報を生成し、ECMWF再予報のキャリブレーションおよび気候学的ベースラインを著しく上回る。特に、グローバルに訓練されたUNetアーキテクチャが、性能と計算効率のバランスが最も優れている。

ABSTRACT

Sub-seasonal weather forecasts are becoming increasingly important for a range of socio-economic activities. However, the predictive ability of physical weather models is very limited on these time scales. We propose several post-processing methods based on convolutional neural networks to improve sub-seasonal forecasts by correcting systematic errors of numerical weather prediction models. Our post-processing models operate directly on spatial input fields and are therefore able to retain spatial relationships and to generate spatially homogeneous predictions. They produce global probabilistic tercile forecasts for biweekly aggregates of temperature and precipitation for weeks 3-4 and 5-6. In a case study based on a public forecasting challenge organized by the World Meteorological Organization, our post-processing models outperform recalibrated forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF), and achieve improvements over climatological forecasts for all considered variables and lead times. We compare several model architectures and training modes and demonstrate that all approaches lead to skillful and well-calibrated probabilistic forecasts. The good calibration of the post-processed forecasts emphasizes that our post-processing models reliably quantify the forecast uncertainty based on deterministic input information in form of the ECMWF ensemble mean forecast fields only.

研究の動機と目的

• サブシーズンスケール（週3〜6）における物理的数値予報モデルの予報精度が低いという問題に取り組む。
• グリッドセル単位のアプローチに起因する制限を克服し、予報における空間的関係を保持する事後処理手法を開発する。
• 温度および降水量のグローバルに一貫した確率的三等分予報（低、平均、高）を生成する。
• 深層学習モデルを用いて、グローバルフィールドとローカルパッチの両方で訓練した場合の性能を比較し、キャリブレーションおよび予測精度に注目する。
• 決定論的ECMWFアンサンブル平均フィールドのみを用いて、深層学習により信頼性のある予報不確実性を定量化できるかを示す。

提案手法

• 4種類のCNNベースの事後処理アーキテクチャを提案：グローバルUNet、パッチ別UNet、スキップ接続付きグローバルU-Net、アテンション付きパッチ別U-Net。
• ECMWF予報変数（例：温度、降水量）の完全なグローバル空間入力フィールドを直接用いてモデルを訓練し、空間的誤差構造を保持する。
• 地域ごとの予報品質を向上させ、多様な気候帯にわたる一般化を確保するため、空間的に重み付けされた損失関数を採用する。
• 出力として三等分確率予報を用い、学習された非線形変換により、元のモデル出力を確率的カテゴリ（低、平均、高）にマッピングする。
• WMO主催のS2S AIチャレンジで提供されたデータを活用し、公開済みのECMWF再予報を入力として用いてモデルを訓練する。
• 信頼性図、ランク確率スコア（RPSS）、キャリブレーションシンプレックスを用いて、確率的予報品質を評価する。

実験結果

リサーチクエスチョン

• RQ1 グローバル空間フィールドで訓練された深層学習モデルは、標準的なキャリブレーション手法と比較して、サブシーズンスケールの確率的予報のキャリブレーションと精度を向上させることができるか？
• RQ2 完全な空間フィールドを直接処理することで、グリッドセル単位の事後処理に比べ、より優れた空間的一致性と誤差構造の学習が可能になるか？
• RQ3 UNetとパッチ別アーキテクチャなどの異なるCNNアーキテクチャは、サブシーズンスケール予報において、予測精度と計算コストの観点でどのように比較されるか？
• RQ4 アンサンブル分散を用いず、決定論的ECMWFアンサンブル平均フィールドのみを用いても、深層学習により良好にキャリブレーションされた確率的予報を効果的に生成できるか？
• RQ5 空間的に重み付けされた損失関数は、多様な地理的地域にわたる予報の信頼性と一般化性能をどの程度向上させるか？

主な発見

• グローバルに訓練されたUNetモデルが予測性能が最も高く、計算効率も最も優れており、顕著に長い訓練時間を要するパッチ別モデルを上回る。
• 提案されたすべてのCNNベースの事後処理モデルが、良好にキャリブレーションされた確率的予報を生成し、決定論的ECMWFアンサンブル平均フィールドのみを根拠として、信頼性のある不確実性の定量化を実現している。
• ECMWF再キャリブレーション予報および気候学的ベースラインを著しく上回り、すべての変数およびリードタイムでRPSS値が数パーセントのオーダーで向上している。
• パッチ別トレーニングアプローチは週3〜4の温度予報精度をわずかに向上させるが、降水量予報には効果がなく、信号対雑音比が低いことが原因とされる。
• 空間的に重み付けされた損失関数により、地域ごとの予報品質が向上し、アーキテクチャの変更なしに特定地域向けのファインチューニングが可能となる。
• グリッドセル単位のコンponentを含めないグローバル空間フィールドの使用という手法的イノベーションにより、特に降水量予報において、空間的誤差パターンのより良い学習が可能となった。