On the limitations of data-driven weather forecasting models

要約

エンジニアリングや応用科学の他の多くの分野と同様に、機械学習 (ML) は天気と気候の予測の領域に大きな影響を与えています。
この分野におけるごく最近の発展は、従来の物理ベースのモデルよりも優れたパフォーマンスを日常的に主張する、完全にデータ駆動型の ML 予測モデルの出現です。
この研究では、現世代の ML モデルの例である Pangu-Weather によって生成された予測のいくつかの側面を、それらの予測の忠実性と物理的一貫性、およびこれらの特性が知覚される予測パフォーマンスにどのように関連しているかに焦点を当てて検証します。
主な結論は、Pangu-Weather の予測、ひいては同様の ML モデルの予測には、物理​​ベースのモデルの忠実性と物理的一貫性がなく、予測スキルの従来の決定論的指標における精度の利点は、
大部分は、これらの特殊性です。
現在の他の後処理テクノロジーと同様に、ML モデルは、特定の予測アプリケーションの標準的な NWP 出力に価値を加えることができるようであり、展開中の非常に低い計算コストと組み合わせることで、予測情報の追加の有用なソースを提供する可能性があります。

要約(オリジナル)

As in many other areas of engineering and applied science, Machine Learning (ML) is having a profound impact in the domain of Weather and Climate Prediction. A very recent development in this area has been the emergence of fully data-driven ML prediction models which routinely claim superior performance to that of traditional physics-based models. In this work, we examine some aspects of the forecasts produced by an exemplar of the current generation of ML models, Pangu-Weather, with a focus on the fidelity and physical consistency of those forecasts and how these characteristics relate to perceived forecast performance. The main conclusion is that Pangu-Weather forecasts, and by extension those of similar ML models, do not have the fidelity and physical consistency of physics-based models and their advantage in accuracy on traditional deterministic metrics of forecast skill can be attributed, to a large extent, to these peculiarities. Similarly to other current post-processing technologies, ML models appear to be able to add value to standard NWP outputs for specific forecast applications and combined with their extremely low computational cost during deployment, will likely provide an additional, useful source of forecast information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google