Towards replacing precipitation ensemble predictions systems using machine learning

要約

タイトル： 機械学習を使用して降水量集団予測システムを置き換えるために

要約：

– 降水量予測は、降水量分布と強度に影響を与えるいくつかの主要プロセスが、グローバル気象予測モデルの解決スケールよりも低いレベルで発生するため、他の気象学的分野に比べて精度が低い。
– 高解像度のシミュレーションを利用する必要がありますが、集団予測に関連する不確実性予測を生成するために、同時に複数のシミュレーションのアンサンブルを実行する必要があります。
– しかし、計算コストは制限的な要因です。そこで、シミュレーションからアンサンブルシステムを生成する代わりに、ニューラルネットワークの使用の傾向があります。
– 残念ながら、高解像度のアンサンブル実行のためのデータは利用できません。そこで、高解像度の降水予測の集団予測を生成するための新しいアプローチを提案します。
– この方法は、生成的対立ネットワークを使用して降水の複雑なパターンを学習し、多様で現実的な降水フィールドを生成し、利用可能な制御予測のみを使用して、現実的な降水集団メンバーを生成できるようにします。
– 見られない高分解能で現実的な降水集団メンバーを生成することの実現可能性を示しました。
– RMSE、CRPS、ランクヒストグラム、ROC曲線などの評価メトリクスを使用して、私たちが生成したアンサンブルがECMWF IFSアンサンブルとほぼ同じであることを示しています。

要約(オリジナル)

Precipitation forecasts are less accurate compared to other meteorological fields because several key processes affecting precipitation distribution and intensity occur below the resolved scale of global weather prediction models. This requires to use higher resolution simulations. To generate an uncertainty prediction associated with the forecast, ensembles of simulations are run simultaneously. However, the computational cost is a limiting factor here. Thus, instead of generating an ensemble system from simulations there is a trend of using neural networks. Unfortunately the data for high resolution ensemble runs is not available. We propose a new approach to generating ensemble weather predictions for high-resolution precipitation without requiring high-resolution training data. The method uses generative adversarial networks to learn the complex patterns of precipitation and produce diverse and realistic precipitation fields, allowing to generate realistic precipitation ensemble members using only the available control forecast. We demonstrate the feasibility of generating realistic precipitation ensemble members on unseen higher resolutions. We use evaluation metrics such as RMSE, CRPS, rank histogram and ROC curves to demonstrate that our generated ensemble is almost identical to the ECMWF IFS ensemble.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI