On some limitations of data-driven weather forecasting models

要約

工学や応用科学の他の多くの分野と同様に、機械学習（ML）は気象・気候予測の分野でも大きな影響を及ぼしている。この分野におけるごく最近の発展は、従来の物理学に基づくモデルよりも優れた性能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ある。この研究では、現世代のMLモデルの模範であるPangu-Weatherによって生成された予報のいくつかの側面を、予報の忠実性と物理的一貫性、そしてこれらの特性が知覚される予報性能とどのように関連しているかに焦点を当てて検証する。主な結論は、Pangu-Weatherの予測、そしておそらく類似のMLモデルの予測は、物理ベースモデルの忠実性と物理的一貫性を持っておらず、予測スキルの伝統的な決定論的測定基準における精度の優位性は、少なくとも部分的にはこれらの特殊性に起因しているということである。予測精度とMLによる予測の物理的整合性のバランスをとることは、将来のMLモデルにとって重要な検討事項となるだろう。しかし、他の最新のポスト処理技術と同様に、現在のMLモデルは、特定の予測用途のために標準的なNWP出力に付加価値を与えることがすでに可能であり、導入時の計算コストが極めて低いことと相まって、付加的で有用な予測情報源を提供することになると思われる。.

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 possibly 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 at least partly attributed to these peculiarities. Balancing forecast skill and physical consistency of ML-driven predictions will be an important consideration for future ML models. However, and similarly to other modern post-processing technologies, the current ML models appear to be already able to add value to standard NWP output for specific forecast applications and combined with their extremely low computational cost during deployment, are set to provide an additional, useful source of forecast information. .

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL