[논문 리뷰] Regional data-driven weather modeling with a global stretched-grid

Thomas N. Nipen, Håvard Homleid Haugen외 12명|arXiv (Cornell University)|2024. 09. 04.

Distributed and Parallel Computing Systems인용 수 5

한 줄 요약

그래프 신경망 기반의 데이터 기반 기상 모델은 전역 확장 격자를 활용하여 노르딕 지역에서 고해상도 지역 예측(2.5 km)을 제공하며 ERA5와 MEPS 데이터를 학습하고 MEPS 및 IFS를 대상으로 평가되었다. 기온과 강수에 대해 경쟁력 있는 성능을 보이고 확장 격자를 통한 경계 없는 지역-전 지구 결합을 강조한다.

ABSTRACT

A data-driven model (DDM) suitable for regional weather forecasting applications is presented. The model extends the Artificial Intelligence Forecasting System by introducing a stretched-grid architecture that dedicates higher resolution over a regional area of interest and maintains a lower resolution elsewhere on the globe. The model is based on graph neural networks, which naturally affords arbitrary multi-resolution grid configurations. The model is applied to short-range weather prediction for the Nordics, producing forecasts at 2.5 km spatial and 6 h temporal resolution. The model is pre-trained on 43 years of global ERA5 data at 31 km resolution and is further refined using 3.3 years of 2.5 km resolution operational analyses from the MetCoOp Ensemble Prediction System (MEPS). The performance of the model is evaluated using surface observations from measurement stations across Norway and is compared to short-range weather forecasts from MEPS. The DDM outperforms both the control run and the ensemble mean of MEPS for 2 m temperature. The model also produces competitive precipitation and wind speed forecasts, but is shown to underestimate extreme events.

연구 동기 및 목표

• Yr와 같은 고해상도 공공 서비스의 필요성을 지역 데이터 기반 모델을 활용하여 자극한다.
• 지역 영역에 더 높은 해상도를 집중시키면서 전역 커버리지를 유지하는 전역 확장 격자 아키텍처를 개발한다.
• 역사적 ERA5 및 MEPS 데이터로 그래프 신경망 기반 모델을 학습하고 단기 기상 변수 예측에 대해 검증한다.
• 노르웨이 및 노르딕 지역의 운영 NWP 시스템 및 관측치와의 정확도와 신뢰성을 평가한다.

제안 방법

• 다중 해상도 정제 기능을 갖춘 잠재 프로세서 메시로 입력 격자 데이터를 매핑하기 위해 인코더–프로세서–디코더 아키텍처의 그래프 신경망을 사용한다.
• 지역 해상도(2.5 km)가 더 높은 확장 격자 프로세서 메쉬를 구성하고 글로벌 해상도는 낮추어 도메인 간 원활한 시스템 이동을 가능하게 한다.
• 4단계로 학습: ERA5 100 km(Stage A), ERA5 31 km(Stage B), 31 km의 IFS+MEPS 및 2.5 km 지역(Stage C) 결합, 24 h 자동회귀 롤아웃(Stage D).
• 지역 도메인 포인트(손실의 33%)를 강조하는 손실을 사용하되 지역 면적이 지구의 1.2%에 불과함에 주의한다; 제곱 오차와 변수별 가중치를 사용한다.
• ERA5 데이터 43년으로 먼저 사전 학습한 다음 MEPS 데이터로 미세 조정하여 지역 고해상도 정보를 활용한다.

Figure 1: (a) Map with annotated grid points centered around the Nordics. Global grid points are green, regional grid points are gray. (b) Input grid on the boundary between global and regional domain. (c) The encoder processes information into a mesh node from the 12 nearest grid points. (d) The pr

실험 결과

연구 질문

• RQ1 전역 확장 격자 데이터 기반 모델이 글로벌 도메인과의 매끄러운 상호 작용을 유지하면서 노르딕 지역에 대해 정확하고 고해상도인 지역 예측을 제공할 수 있는가?
• RQ2 유사 예측 시점에서 MEPS 및 IFS와 비교했을 때 온도, 바람, 강수 예측에서 GNN 기반 확장 격자 모델의 성능은 어떠한가?
• RQ3 확장 격자 DDM에서 최상의 지역 성능을 얻는 학습 전략과 데이터 소스는 무엇인가?
• RQ4 산악 및 해안 기후 특징을 나타내는 데 있어 이 접근법의 강점과 한계는 무엇인가?

주요 결과

• 확장 격자 DDM은 종단 시간에 걸친 2 m 기온 RMSE와 6 h 강수 RMSE에서 MEPS 컨트롤을 능가한다.
• 바람의 경우 DDM은 MEPS 컨트롤 및 엔 ensemble 평균과 경쟁적이지만 더 극단적인 임계값에서는 앙상블 스무딩에 비해 성능이 떨어진다.
• DDM은 글로벌 도메인과 지역 도메인 간에 기상 시스템을 매끄럽게 이동시키는 능력을 보여주며, 여러 경우에서 IFS 및 MEPS와 유사한 대규모 특징을 보인다.
• 이 모델은 온도에서 강한 지역 성능을 보이지만 극단적인 바람 및 강수 이벤트를 과소 추정하는 경향이 있어, 극값 개선을 위해 후처리나 앙상블 기법이 필요할 수 있다.
• ERA5 글로벌 데이터로 학습한 다음 MEPS 지역 데이터로 미세 조정하는 것이 최상의 지역 성능을 낳으며, 글로벌 확장 격자 내 2.5 km 지역 해상도를 사용한다.

Figure 2: Model training follows a four-stage procedure. First, the DDM is pre-trained on 43 years of ERA5 data with a global resolution of 100 km (stage A) and 31 km (stage B). In stage C, we combine the 31 km global IFS dataset with the 2.5 km regional MEPS dataset with a training period of 3.3 ye