[論文レビュー] FuXi-S2S: A machine learning model that outperforms conventional global subseasonal forecast models

Lei Chen, Xiaohui Zhong+9 more|arXiv (Cornell University)|Dec 15, 2023

Climate variability and models被引用数 4

ひとこと要約

FuXi-S2S は、ECMWF S2S などの従来の数値予報（NWP）モデルを上回る深層学習モデルであり、全球的・準週間予報において、合計降水量、放射長波放射（OLR）、500 hPa のジオポテンシャル、およびマーデン＝ジュリアン振動（MJO）を最大 36 日先まで予測する優れたスキルを達成している。このモデルは、流れに依存する摂動とペリンノイズを用いて強化された FuXi ベースモデルを採用し、42 日のリードタイムで 5 つの上層大気変数および 11 個の地表面変数について、予報の信頼性と正確性を向上させている。

ABSTRACT

Skillful subseasonal forecasts are crucial for various sectors of society but pose a grand scientific challenge. Recently, machine learning based weather forecasting models outperform the most successful numerical weather predictions generated by the European Centre for Medium-Range Weather Forecasts (ECMWF), but have not yet surpassed conventional models at subseasonal timescales. This paper introduces FuXi Subseasonal-to-Seasonal (FuXi-S2S), a machine learning model that provides global daily mean forecasts up to 42 days, encompassing five upper-air atmospheric variables at 13 pressure levels and 11 surface variables. FuXi-S2S, trained on 72 years of daily statistics from ECMWF ERA5 reanalysis data, outperforms the ECMWF's state-of-the-art Subseasonal-to-Seasonal model in ensemble mean and ensemble forecasts for total precipitation and outgoing longwave radiation, notably enhancing global precipitation forecast. The improved performance of FuXi-S2S can be primarily attributed to its superior capability to capture forecast uncertainty and accurately predict the Madden-Julian Oscillation (MJO), extending the skillful MJO prediction from 30 days to 36 days. Moreover, FuXi-S2S not only captures realistic teleconnections associated with the MJO, but also emerges as a valuable tool for discovering precursor signals, offering researchers insights and potentially establishing a new paradigm in Earth system science research.

研究の動機と目的

• 従来の物理ベースの数値予報（NWP）モデルを上回る精度と計算効率を実現する機械学習ベースの準週間予報モデルの開発を目的とする。
• 合計降水量、2m 温度、500 hPa のジオポテンシャルなどの主要変数の予測を向上させることで、準週間予報における「予測可能性の砂漠」を解消することを目的とする。
• 極端な気象現象およびマーデン＝ジュリアン振動（MJO）— 準週間予報における主要な予測可能性要因—の予報信頼性とスキルを向上させることを目的とする。
• NWP モデルの出力に依存せずに、直接的に全球的準週間予報を可能とすることで、計算コストを削減し、大規模なアンサンブル生成を可能とすることを目的とする。

提案手法

• FuXi-S2S は、5 つの上層大気変数および 11 個の地表面変数（13 個の気圧面で定義）を含む 72 年分の毎日の ERA5 再解析データでトレーニングされた強化された FuXi ベースモデルを採用している。
• 流れに依存する摂動を隠れ層特徴に適用する摂動モジュールを統合し、予報の多様性と信頼性を向上させている。
• ペリンノイズを用いて初期条件を摂動させることで、アンサンブルスプレッドを向上させ、予報バイアスを低減している。
• モデルは最大 42 日の決定論的およびアンサンブル予報を生成し、5 つの上層大気変数および 11 個の地表面変数の予測を実施している。
• 性能評価には、ランク付き確率スコア（RPS）、ブライアスコアスコア（BSS）、および MJO の振幅と位相の相関（COR）が用いられている。
• MJO は、OLR、850 hPa の摂動風、200 hPa の風から導かれるリアルタイム・マルチバリアン MJO（RMM）インデックスを用いて追跡されており、スコアの有効性を判定するための相関（COR）の閾値は 0.5 とされている。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、ECMWF S2S などの従来の NWP モデルを上回る精度で、主要な大気変数について、全球的・準週間予報を実現できるか？
• RQ2 流れに依存する摂動とペリンノイズの統合は、準週間予報における予報信頼性とスキルを向上させるか？
• RQ3 深層学習モデルは、ECMWF S2S よりも極端な降水量イベントをどれほど正確に予測できるか？
• RQ4 MJO の有効な予測期間を、ECMWF S2S が示す 30 日を超えて延長できるか？
• RQ5 モデルは、特に陸上地域において、全球的 2m 温度（T2M）をどれほど正確に予測できるか？

主な発見

• FuXi-S2S は、42 日のリードタイムまで、合計降水量（TP）、放射長波放射（OLR）、500 hPa のジオポテンシャル（Z500）の決定論的およびアンサンブル予報において、ECMWF S2S を上回る性能を示している。
• モデルは、世界的な極端な降水量イベントの予測において、ECMWF S2S よりも高いブライアスコアスコア（BSS）を示し、優れたスキルを発揮している。
• マーデン＝ジュリアン振動（MJO）に関しては、有効な予測期間を 30 日から 36 日に延長し、36 日リードタイムで相関（COR）が 0.5 を達成している。
• 全球的 2m 温度（T2M）の予測において、ECMWF S2S と同等の性能を示しているが、陸上地域では明確な優位性を示している。
• 流れに依存する摂動とペリンノイズの使用は、予報信頼性とアンサンブルスプレッドを顕著に向上させ、より優れた確率的性能を実現している。