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

要約

降水量は地球の水文気候を支配し、その毎日の時空間変動は主要な社会経済的影響をもたらします。
数値天気予報 (NWP) の進歩は、温度や気圧などのさまざまな物理分野の予測の改善によって測定されています。
ただし、降水量の予測には大きなバイアスが存在します。
有名な NWP モデル CFSv2 の出力をディープ ラーニングで強化して、1 日、2 日、3 日のリード タイムで短距離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球投影に変換する修正された DLWP-CS アーキテクチャを使用して、グローバル データの球面性に対処します。
動的モデルの降水量と地表温度の出力は、修正された DLWP-CS (UNET) に入力され、グラウンド トゥルースの降水量が予測されます。
CFSv2 の平均バイアスは陸上で +5 ～ +7 mm/日ですが、多変量ディープ ラーニング モデルはそれを -1 ～ +1 mm/日以内に減らします。
2005 年のハリケーン カトリーナ、2004 年のハリケーン イヴァン、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を使用して、ハイブリッド動的深層学習モデルのスキルが大幅に向上したことが確認されました。
CFSv2 は通常、空間パターンに中程度から大きな偏りを示し、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することができます。
ディープ ラーニングが強化された CFSv2 は、CFSv2 と比較して、重要な土地地域で 1 日リードの平均バイアスを 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、全球の短距離降水予報の精度と正確性をさらに高める道を開きます。

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