Mjölnir: A Deep Learning Parametrization Framework for Global Lightning Flash Density

要約

FourcastNet、Pangu-Weather、GraphcastなどのAIベースの気象予測モデルの最近の進歩は、複雑な大気ダイナミクスをエミュレートする深い学習の顕著な能力を実証しています。
この勢いに基づいて、グローバルな稲妻フラッシュ密度パラメーター化のための新しい深い学習ベースのフレームワークであるMj \ ‘Olnirを提案します。
ERA5の大気予測因子とワールドワイドライトニングロケーションネットワーク（wwlln）の観測では、毎日の時間分解能と1度の空間解像度で観察されたMJ \ ‘Olnirは、大規模な環境条件と稲妻活動の間の非線形マッピングをキャプチャします。
モデルアーキテクチャは、Senetを備えたInceptionNextバックボーンと、稲妻の発生と大きさを同時に予測するためのマルチタスク学習戦略に基づいています。
大規模な評価では、モルニルが稲妻活動の世界的な分布、季節変動、および地域的特性を正確に再現し、年間平均場で0.96のグローバルなピアソン相関係数を達成するという得られます。
これらの結果は、MJ \ ‘Olnirが効果的なデータ駆動型のグローバルライトニングパラメーター化としてだけでなく、次世代の地球システムモデル（AI-ESM）の有望なAIベースのスキームとしても機能することを示唆しています。

要約(オリジナル)

Recent advances in AI-based weather forecasting models, such as FourCastNet, Pangu-Weather, and GraphCast, have demonstrated the remarkable ability of deep learning to emulate complex atmospheric dynamics. Building on this momentum, we propose Mj\’olnir, a novel deep learning-based framework for global lightning flash density parameterization. Trained on ERA5 atmospheric predictors and World Wide Lightning Location Network (WWLLN) observations at a daily temporal resolution and 1 degree spatial resolution, Mj\’olnir captures the nonlinear mapping between large-scale environmental conditions and lightning activity. The model architecture is based on the InceptionNeXt backbone with SENet, and a multi-task learning strategy to simultaneously predict lightning occurrence and magnitude. Extensive evaluations yield that Mollnir accurately reproduces the global distribution, seasonal variability, and regional characteristics of lightning activity, achieving a global Pearson correlation coefficient of 0.96 for annual mean fields. These results suggest that Mj\’olnir serves not only as an effective data-driven global lightning parameterization but also as a promising AI-based scheme for next-generation Earth system models (AI-ESMs).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google