[論文レビュー] Graph-based Neural Weather Prediction for Limited Area Modeling

Joel Oskarsson, Tomas Landelius+1 more|arXiv (Cornell University)|Sep 29, 2023

Hydrological Forecasting Using AI被引用数 6

ひとこと要約

本論文は、限られた領域モデル（GC-LAMおよびHi-LAM）向けに、階層的メッシュグラフと境界駆動を用いてグラフニューラルネットワークを局所領域に適応させる、グラフベースのニューラルウェザーピディクションフレームワークを提案する。北欧地域の予測において最先端の性能を達成し、グローバルモデルを上回る局所的な精度を実現するとともに、気候レジリエンスに不可欠な高速かつ高分解能の予測を可能にする。

ABSTRACT

The rise of accurate machine learning methods for weather forecasting is creating radical new possibilities for modeling the atmosphere. In the time of climate change, having access to high-resolution forecasts from models like these is also becoming increasingly vital. While most existing Neural Weather Prediction (NeurWP) methods focus on global forecasting, an important question is how these techniques can be applied to limited area modeling. In this work we adapt the graph-based NeurWP approach to the limited area setting and propose a multi-scale hierarchical model extension. Our approach is validated by experiments with a local model for the Nordic region.

研究の動機と目的

• グラフベースのニューラルウェザーピディクション（NeurWP）を限られた領域モデル（LAM）に適用する分野におけるギャップを埋める。LAMは高分解能の地域的予測に不可欠である。
• グローバル座標系に依存せずに、物理的整合性と計算効率を維持するスケーラブルで柔軟なフレームワークを構築する。
• 境界駆動とマルチスケールモデリングを組み合わせることで、複雑な地形や境界付近の予測精度を向上させる。
• 気候適応、極端な気象の検出、再生可能エネルギー統合に不可欠な、高速かつ高分解能のウェザーフォーキャストを実現する。

提案手法

• グリッドベースのウェザーデータ状態を粗いメッシュグラフにエンコードし、GNNで処理した後、元のグリッドにデコードする方式で、グラフベースNeurWPを限られた領域に適応する。
• 複数の解像度レベルを持つ階層的メッシュグラフ（Hi-LAM）を構築し、大規模および小規模な大気動態を捉える。これにより、大気の特徴の表現が向上する。
• グリッドからメッシュ、およびメッシュからグリッドへの二重エッジ接続を用いて、細かいグリッドと粗いメッシュ間の情報伝達を実現。MEPSラムベルト座標系に基づく近接性に基づくエッジ生成を採用。
• 各タイムステップで領域の端縁に外部ウェザーデータを注入することで境界駆動を実装し、予測における物理的整合性を確保する。
• 履歴ウェザーデータの系列（X^{t-1}, ..., X^{t-p}）を用いてエンドツーエンドで学習し、自己回帰的デコードによりX^tを予測する。
• 17種類の気象変数を含み、予測リードタイムが57時間のMEPS LAMデータセットを活用。主評価指標としてRMSEを用いる。

実験結果

リサーチクエスチョン

• RQ1 グローバルな緯度経度グリッドに依存せずに、グラフベースNeurWPモデルを限られた領域モデルに効果的に適応できるか？
• RQ2 単一解像度のグラフと比較して、階層的メッシュ構造は地域的ウェザーフォーキャストの精度をどのように向上させるか？
• RQ3 境界駆動は、限られた領域の内部において、予測品質をどの程度向上させるか？
• RQ4 提案されたモデルは、局所的で高分解能なタスクにおいて、グローバルNeurWPモデルと比較して性能と効率の面でどのように差をつけるか？
• RQ5 モデルの空間的および変数別誤差分布はどのようなものか？また、地形は予測不確実性にどのように影響するか？

主な発見

• Hi-LAMモデルは、北欧地域のMEPSデータセットにおいて最先端の性能を達成し、17種類の気象変数すべてでGraphCastなどのグローバルモデルを下回るRMSEを記録した。
• 階層的メッシュ構造は、スカンジナビア山脈のような複雑な地形において顕著に精度を向上させた。大気勾配が大きい地域では誤差が高くなる傾向があるが、その影響を軽減した。
• 境界駆動により、領域内部の誤差が低減し、特に長リードタイムにおいて、境界から伝わる大気の動態の伝播が改善された。
• 計算効率が高く、アンサンブル予測やリアルタイム応用に適した高速な推論を維持している。
• 変数ごとの誤差解析から、日周辺のサイクルに起因する振動が観察され、モデルの予測が時間的サイクルを部分的に保持していることが示された。
• 空間的誤差マップから、誤差は領域の中心部および境界から離れるほど増加することが確認され、境界駆動とマルチステップ物理的伝播の重要性が裏付けられた。