[論文レビュー] Improving seasonal forecast using probabilistic deep learning

Baoxiang Pan, Gemma J. Anderson+4 more|arXiv (Cornell University)|Oct 27, 2020

Meteorological Phenomena and Simulations被引用数 8

ひとこと要約

本論文は、大規模な気候シミュレーションで訓練された確率的ディープラーニングモデル、特に条件付き変分オートエンコーダー（CVAE）を提案し、季節予報における降水量および気温の精度を向上させることを目的としている。歴史的シミュレーションに内在する物理的関係を活用し、不確実性の定量化に変分ベイズを用いることで、最先端の動的モデルよりも優れた決定論的および確率的スキルを達成するとともに、サリエンシー解析を用いて初期化誤差やモデル定式化の欠陥を診断可能となる。

ABSTRACT

The path toward realizing the potential of seasonal forecasting and its socioeconomic benefits depends heavily on improving general circulation model based dynamical forecasting systems. To improve dynamical seasonal forecast, it is crucial to set up forecast benchmarks, and clarify forecast limitations posed by model initialization errors, formulation deficiencies, and internal climate variability. With huge cost in generating large forecast ensembles, and limited observations for forecast verification, the seasonal forecast benchmarking and diagnosing task proves challenging. In this study, we develop a probabilistic deep neural network model, drawing on a wealth of existing climate simulations to enhance seasonal forecast capability and forecast diagnosis. By leveraging complex physical relationships encoded in climate simulations, our probabilistic forecast model demonstrates favorable deterministic and probabilistic skill compared to state-of-the-art dynamical forecast systems in quasi-global seasonal forecast of precipitation and near-surface temperature. We apply this probabilistic forecast methodology to quantify the impacts of initialization errors and model formulation deficiencies in a dynamical seasonal forecasting system. We introduce the saliency analysis approach to efficiently identify the key predictors that influence seasonal variability. Furthermore, by explicitly modeling uncertainty using variational Bayes, we give a more definitive answer to how the El Nino/Southern Oscillation, the dominant mode of seasonal variability, modulates global seasonal predictability.

研究の動機と目的

• モデルの初期化誤差、定式化上の欠陥、および不十分なアンサンブルサンプリングが引き起こす季節予報の限界を是正すること。
• 膨大な気候シミュレーションデータを用いて、季節予報スキルのデータ駆動型ベンチマークを確立すること。
• 予報精度と解釈可能性を向上させる確率的ディープラーニングフレームワークを開発すること。
• 初期化誤差およびモデル誤差が季節予測可能性に与える影響を診断すること。
• 不確実性を考慮したモデリングを用いて、ENSOがグローバルな季節予測可能性に与える影響を定量化すること。

提案手法

• 予測子と季節気候変数の間の複雑な物理的関係を学習するために、マルチモデル気候シミュレーションデータ上で条件付き変分オートエンコーダー（CVAE）を訓練する。
• 予測の不確実性を明示的にモデル化するため、変分ベイズを用い、補正された信頼区間を有する確率的予報を可能にする。
• 季節変動に影響を与える主要な予測子を特定するため、サリエンシー解析を適用し、モデルの予測の解釈可能性を向上させる。
• 正規化平均二乗誤差（NRMSE）、連続ランク確率スコアスコア（CRPSS）、受信器操作特性曲線の下側面積（AUC）といった標準指標を用いて、予報性能を評価する。
• 新たな動的モデルの走行を要せず、既存の気候シミュレーションを「モデル世界」として活用し、ディープラーニングモデルの訓練および検証に用いる。
• 降水量および地表面近傍気温の準グローバルな季節予報に対して、NMME動的アンサンブル予報と比較して評価する。

実験結果

リサーチクエスチョン

• RQ1 気候シミュレーションで訓練されたディープラーニングモデルは、決定論的および確率的スキルにおいて、最先端の動的季節予報システムを上回ることができるか？
• RQ2 初期化誤差およびモデル定式化上の欠陥が予報信頼性に与える影響は何か。また、それらはモデルを用いて定量的に診断可能か？
• RQ3 季節気候変動を駆動する主要な予測子は何か。また、解釈可能性技術を用いてその影響を同定できるか？
• RQ4 エルニーニョ／サバデル・オシレーター（ENSO）は、どの程度グローバルな季節予測可能性を変調するか。また、その変調における不確実性はどのように定量化できるか？
• RQ5 データ駆動型ディープラーニングモデルは、動的季節予報システムの評価および改善のための信頼できるベンチマークとして機能できるか？

主な発見

• CVAEモデルは、NRMSEやCRPSSといった複数の指標において、NMME動的アンサンブルと比較して優れた決定論的および確率的予報スキルを示した。
• 降水量に関しては、CVAEモデルがNMME四モデルアンサンブルと比較して64％のグリッドセルで高い連続ランク確率スコアスコア（CRPSS）を達成した。気温に関しては58％のグリッドセルで同様の結果を示した。
• 降水量の予報に関しては、CVAEモデルがNMME平均と比較して28％のグリッドセルでAUCスコアが顕著に向上し、分類的予報の信頼性が向上していることが示された。
• サリエンシー解析により、ENSOインデックスや海面水温異常といった主要な予測子が季節変動の主要因として明確に同定された。
• モデルは、ENSOが予測可能性に与える影響を高い不確実性を伴って定量化しており、特に熱帯地域および太平洋地域では、ENSOのフェーズに応じて予報信頼性が変動することが明らかになった。
• 本研究は、追加の動的モデル走行を要せず、気候シミュレーションデータを活用して現在の動的システムを上回る性能を示すモデルを構築できることが確認された。