Short-range forecasts of global precipitation using using deep learning-augmented numerical weather prediction

要約

降水量は地球の水文気候を支配し、その日々の時空間変動は主要な社会経済的影響を及ぼします。
数値天気予報（NWP）の進歩は、気温や気圧などのさまざまな物理的分野の予報の改善によって測定されてきました。
ただし、降水量の予測には大きなバイアスが存在します。
よく知られているNWPモデルCFSv2の出力をディープラーニングで拡張して、1日、2日、および3日のリードタイムで短距離の全球降水量を改善するハイブリッドモデルを作成します。
ハイブリッド化するために、すべてのフィールドを立方体球投影に変換する変更されたDLWP-CSアーキテクチャを使用して、グローバルデータの球形度に対処します。
動的モデルの降水量と表面温度の出力は、修正されたDLWP-CS（UNET）に送られ、グラウンドトゥルース降水量を予測します。
CFSv2の平均バイアスは陸上で+5〜 + 7 mm /日ですが、多変量深層学習モデルでは-1〜 + 1mm/日以内に減少します。
2005年のハリケーン・カトリーナ、2004年のハリケーン・アイバン、2010年の中国の洪水、2005年のインドの洪水、2008年のミャンマーの暴風雨ナルギスは、ハイブリッド動的深層学習モデルのスキルの大幅な向上を確認するために使用されます。
CFSv2は通常、空間パターンに中程度から大きなバイアスを示し、短距離の時間スケールで降水量を過大評価します。
提案された深層学習拡張NWPモデルは、これらのバイアスに対処し、予測される降水量の空間パターンと大きさを大幅に改善できます。
ディープラーニングで強化されたCFSv2は、CFSv2と比較して、1日間のリードで重要な土地領域の平均バイアスを8分の1に減らします。
時空間ディープラーニングシステムは、グローバルな短距離降水量予測の精度と精度を高めるための道を開きます。

要約(オリジナル)

Precipitation governs Earth’s hydroclimate, and its daily spatiotemporal fluctuations have major socioeconomic effects. Advances in Numerical weather prediction (NWP) have been measured by the improvement of forecasts for various physical fields such as temperature and pressure; however, large biases exist in precipitation prediction. We augment the output of the well-known NWP model CFSv2 with deep learning to create a hybrid model that improves short-range global precipitation at 1-, 2-, and 3-day lead times. To hybridise, we address the sphericity of the global data by using modified DLWP-CS architecture which transforms all the fields to cubed-sphere projection. Dynamical model precipitation and surface temperature outputs are fed into a modified DLWP-CS (UNET) to forecast ground truth precipitation. While CFSv2’s average bias is +5 to +7 mm/day over land, the multivariate deep learning model decreases it to within -1 to +1 mm/day. Hurricane Katrina in 2005, Hurricane Ivan in 2004, China floods in 2010, India floods in 2005, and Myanmar storm Nargis in 2008 are used to confirm the substantial enhancement in the skill for the hybrid dynamical-deep learning model. CFSv2 typically shows a moderate to large bias in the spatial pattern and overestimates the precipitation at short-range time scales. The proposed deep learning augmented NWP model can address these biases and vastly improve the spatial pattern and magnitude of predicted precipitation. Deep learning enhanced CFSv2 reduces mean bias by 8x over important land regions for 1 day lead compared to CFSv2. The spatio-temporal deep learning system opens pathways to further the precision and accuracy in global short-range precipitation forecasts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google