Data-driven rainfall prediction at a regional scale: a case study with Ghana

要約

地球温暖化に伴い、熱帯地域はより激しく、より不安定な降雨現象により、気候変動の矢面に立たされることが予想されます。
現在、最先端の数値天気予報 (NWP) モデルは、アフリカの熱帯地域で適切な降雨量予測を行うのが難しいことが知られています。
したがって、これらの地域では降雨予測を改善することが緊急に必要とされています。
過去 10 年ほどにわたって、大規模な気象データセットの利用可能性の増加と強力な機械学習モデルの開発により、データ駆動型の天気予報に新たな機会が開かれました。
この研究ではガーナに焦点を当て、これらのツールを使用して 2 つの U-Net 畳み込みニューラル ネットワーク (CNN) モデルを開発し、12 時間と 30 時間のリードタイムで 24 時間の降雨量を予測します。
モデルは、ERA5 再解析データセットと GPM-IMERG データセットのデータを使用してトレーニングされました。
解釈可能性には特別な注意が払われました。
私たちは、モデルに入力された気象変数の相対的な重要性を調査できる新しい統計手法を開発し、ガーナ地域の降水量を促進する要因について有用な洞察を提供しました。
経験的に、12 時間のリードタイム モデルは同等のパフォーマンスを示し、一部のアカウントでは ECMWF (TIGGE データセットで利用可能な) によって作成された 18 時間のリードタイム予測よりも優れていることがわかりました。
また、データ駆動型モデルと従来の NWP を組み合わせることで、予測精度がさらに向上することもわかりました。

要約(オリジナル)

With a warming planet, tropical regions are expected to experience the brunt of climate change, with more intense and more volatile rainfall events. Currently, state-of-the-art numerical weather prediction (NWP) models are known to struggle to produce skillful rainfall forecasts in tropical regions of Africa. There is thus a pressing need for improved rainfall forecasting in these regions. Over the last decade or so, the increased availability of large-scale meteorological datasets and the development of powerful machine learning models have opened up new opportunities for data-driven weather forecasting. Focusing on Ghana in this study, we use these tools to develop two U-Net convolutional neural network (CNN) models, to predict 24h rainfall at 12h and 30h lead-time. The models were trained using data from the ERA5 reanalysis dataset, and the GPM-IMERG dataset. A special attention was paid to interpretability. We developed a novel statistical methodology that allowed us to probe the relative importance of the meteorological variables input in our model, offering useful insights into the factors that drive precipitation in the Ghana region. Empirically, we found that our 12h lead-time model has performances that match, and in some accounts are better than the 18h lead-time forecasts produced by the ECMWF (as available in the TIGGE dataset). We also found that combining our data-driven model with classical NWP further improves forecast accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google