Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators

要約

一般の人々にとって最も役立つ天気予報は、地表付近の天気予報です。
地表付近の気象予測に最も関連するプロセスは、最もインタラクティブでポジティブなフィードバックを示したり、エネルギー分配において重要な役割を果たしたりするプロセスでもあります。
地表モデル (LSM) は、これらのプロセスを表面の不均一性とともに考慮し、水、炭素、エネルギーのフラックスを予測し、大気モデルと組み合わせることで境界条件と初期条件を提供します。
この大気境界の数値パラメータ化は計算コストが高く、実験研究の進歩を加速するために統計的代用モデルがますます使用されています。
私たちは、結合大気モデルにおける水、炭素、エネルギーフラックスの予測に不可欠な地表プロセスをシミュレートすることにより、実験研究をスピードアップするための 3 つの代理モデルの効率を評価しました。
具体的には、物理​​学に基づいた多目的フレームワーク内で、長期短期メモリ (LSTM) エンコーダ/デコーダ ネットワーク、極端な勾配ブースティング、およびフィードフォワード ニューラル ネットワークのパフォーマンスを比較しました。
このフレームワークは、大陸および地球規模にわたる ECMWF の統合予測システム (IFS) 地表スキーム、ECLand の主要な状態をエミュレートします。
私たちの調査結果は、すべてのモデルが平均して予測期間にわたって高い精度を示している一方で、LSTM ネットワークは慎重に調整すれば大陸の長距離予測に優れており、XGB スコアはタスク全体で一貫して高く、MLP は実装時間精度において優れたトレードを提供していることを示しています。
-オフ。
完全な数値モデルと比較してエミュレータによって達成される実行時間の短縮は大幅であり、地表での数値実験を行うためのより高速かつ信頼性の高い代替手段を提供します。

要約(オリジナル)

Most useful weather prediction for the public is near the surface. The processes that are most relevant for near-surface weather prediction are also those that are most interactive and exhibit positive feedback or have key role in energy partitioning. Land surface models (LSMs) consider these processes together with surface heterogeneity and forecast water, carbon and energy fluxes, and coupled with an atmospheric model provide boundary and initial conditions. This numerical parametrization of atmospheric boundaries being computationally expensive, statistical surrogate models are increasingly used to accelerated progress in experimental research. We evaluated the efficiency of three surrogate models in speeding up experimental research by simulating land surface processes, which are integral to forecasting water, carbon, and energy fluxes in coupled atmospheric models. Specifically, we compared the performance of a Long-Short Term Memory (LSTM) encoder-decoder network, extreme gradient boosting, and a feed-forward neural network within a physics-informed multi-objective framework. This framework emulates key states of the ECMWF’s Integrated Forecasting System (IFS) land surface scheme, ECLand, across continental and global scales. Our findings indicate that while all models on average demonstrate high accuracy over the forecast period, the LSTM network excels in continental long-range predictions when carefully tuned, the XGB scores consistently high across tasks and the MLP provides an excellent implementation-time-accuracy trade-off. The runtime reduction achieved by the emulators in comparison to the full numerical models are significant, offering a faster, yet reliable alternative for conducting numerical experiments on land surfaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google