GraphCast: Learning skillful medium-range global weather forecasting

要約

グローバルな中距離気象予測は、多くの社会的・経済的領域における意思決定に不可欠である。従来の数値気象予測は、予測精度を向上させるために計算資源を増加させているが、基礎となるモデルを改善するために過去の気象データを直接利用することはできない。我々は、再解析データから直接学習できる機械学習ベースの手法「GraphCast」を紹介する。GraphCastは、10日間にわたる数百の気象変数を、0.25度の分解能で、1分以内に予測する。グラフキャストは、1380の検証対象の90％において、最も正確な運用決定論的システムを大幅に上回り、その予測は、熱帯低気圧、大気河川、極端な気温を含む、より優れたシビアイベント予測をサポートすることを示す。GraphCastは、正確で効率的な気象予測における重要な進歩であり、複雑な力学系をモデル化するための機械学習の約束を実現するのに役立つ。

要約(オリジナル)

Global medium-range weather forecasting is critical to decision-making across many social and economic domains. Traditional numerical weather prediction uses increased compute resources to improve forecast accuracy, but cannot directly use historical weather data to improve the underlying model. We introduce a machine learning-based method called ‘GraphCast’, which can be trained directly from reanalysis data. It predicts hundreds of weather variables, over 10 days at 0.25 degree resolution globally, in under one minute. We show that GraphCast significantly outperforms the most accurate operational deterministic systems on 90% of 1380 verification targets, and its forecasts support better severe event prediction, including tropical cyclones, atmospheric rivers, and extreme temperatures. GraphCast is a key advance in accurate and efficient weather forecasting, and helps realize the promise of machine learning for modeling complex dynamical systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL