Fixing the Double Penalty in Data-Driven Weather Forecasting Through a Modified Spherical Harmonic Loss Function

要約

データ駆動型の気象予測モデルの最近の進歩により、従来の物理学ベースのモデルに基づいて、主要な運用予測システムを上回る決定論的モデルが提供されました。
ただし、これらのデータ駆動型モデルは通常、平均四角誤差損失関数でトレーニングされており、「二重ペナルティ」効果を介して微細なスケールの平滑化を引き起こします。
この損失に起因する損失をスペクトル振幅誤差に起因する損失を分離することにより、この問題を回避するこの損失関数に対するシンプルでパラメーターのない変更を開発します。
この新しい損失関数でグラフキャストモデルを微調整すると、鋭い決定論的な天候予測、モデルの効果的な解像度が1,250kmから160kmに増加し、アンサンブルの拡散の改善、熱帯サイクロン強度と表面風の予測の改善が生じます。

要約(オリジナル)

Recent advancements in data-driven weather forecasting models have delivered deterministic models that outperform the leading operational forecast systems based on traditional, physics-based models. However, these data-driven models are typically trained with a mean squared error loss function, which causes smoothing of fine scales through a ‘double penalty’ effect. We develop a simple, parameter-free modification to this loss function that avoids this problem by separating the loss attributable to decorrelation from the loss attributable to spectral amplitude errors. Fine-tuning the GraphCast model with this new loss function results in sharp deterministic weather forecasts, an increase of the model’s effective resolution from 1,250km to 160km, improvements to ensemble spread, and improvements to predictions of tropical cyclone strength and surface wind extremes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google