Can AI weather models predict out-of-distribution gray swan tropical cyclones?

要約

灰色の白鳥の天気を予測する可能性がありますが、トレーニングデータセットに存在しないほどまれであることは、AI気象モデルと長期的な気候エミュレーターにとって大きな関心事です。
重要な未解決の問題は、AIモデルがトレーニングセットに存在する弱い気象現象から、より強力で目に見えない天候に至るまで外挿することができるかどうかです。
これをテストするために、1979年から2015年のERA5データセットのAIモデルFourCastNetの独立したバージョンをすべてのデータでトレーニングします。または、グローバルまたは北大西洋または西太平洋盆地でのみ、カテゴリ3-5熱帯低気圧（TCS）を除去します。
次に、2018-2023カテゴリ5 TCS（灰色の白鳥）でこれらのバージョンをFourcastNetのテストします。
すべてのバージョンは、世界の気象について同様の精度をもたらしますが、カテゴリ3-5 TCSなしで訓練されたものはカテゴリ5 TCを正確に予測することはできず、これらのモデルが弱い嵐から外挿できないことを示しています。
1つの盆地にカテゴリ3-5 TCSなしでトレーニングされたバージョンは、その流域にいくつかのスキル予測カテゴリ5 TCSを示しており、FourcastNetが熱帯流域全体で一般化できることを示唆しています。
地域情報は入力に暗黙的にエンコードされているため、これは励みになり、驚くべきことです。
現在の最先端のAIの天気と気候モデルには同様の学習戦略があることを考えると、調査結果が他のモデルに適用されると予想されます。
他のタイプの天候も同様に調査する必要があります。
私たちの研究は、AIモデルが最も希少で最も衝撃的なTCS、そしておそらく他の天気の極端なものについて、早期警告または推定統計を確実に提供するために、新しい学習戦略が必要であることを示しています。

要約(オリジナル)

Predicting gray swan weather extremes, which are possible but so rare that they are absent from the training dataset, is a major concern for AI weather models and long-term climate emulators. An important open question is whether AI models can extrapolate from weaker weather events present in the training set to stronger, unseen weather extremes. To test this, we train independent versions of the AI model FourCastNet on the 1979-2015 ERA5 dataset with all data, or with Category 3-5 tropical cyclones (TCs) removed, either globally or only over the North Atlantic or Western Pacific basin. We then test these versions of FourCastNet on 2018-2023 Category 5 TCs (gray swans). All versions yield similar accuracy for global weather, but the one trained without Category 3-5 TCs cannot accurately forecast Category 5 TCs, indicating that these models cannot extrapolate from weaker storms. The versions trained without Category 3-5 TCs in one basin show some skill forecasting Category 5 TCs in that basin, suggesting that FourCastNet can generalize across tropical basins. This is encouraging and surprising because regional information is implicitly encoded in inputs. Given that current state-of-the-art AI weather and climate models have similar learning strategies, we expect our findings to apply to other models. Other types of weather extremes need to be similarly investigated. Our work demonstrates that novel learning strategies are needed for AI models to reliably provide early warning or estimated statistics for the rarest, most impactful TCs, and, possibly, other weather extremes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google