Decomposing weather forecasting into advection and convection with neural networks

要約

運用可能な気象予測モデルは、陽的数値ソルバーと経験的物理パラメータ化スキームの両方で数十年にわたって進歩してきました。
ただし、これらの既存のスキームには高い計算コストと不確実性が伴うため、代替の機械学習手法による潜在的な改善が必要です。
これまでの研究では、大気モデルの力学と物理学を学習するために統合モデルが使用されていました。
反対に、動的コアの水平方向の動きと物理的パラメータ化の垂直方向の動きを別々に学習する、シンプルかつ効果的な機械学習モデルを提案します。
移流をグラフ アテンション ネットワークに置き換え、対流を多層パーセプトロンに置き換えることにより、私たちのモデルは、大気モデルにおける変数の遷移をシミュレートするための新しい効率的な視点を提供します。
また、5 日間の反復予測を通じてモデルのパフォーマンスも評価します。
同じ入力変数とトレーニング方法の下で、私たちのモデルは、パラメーターの数が大幅に削減され、解像度が 5.625 度で、既存のデータ駆動型メソッドよりも優れたパフォーマンスを発揮します。
全体として、この取り組みは、地球規模の天気予報の精度と効率の両方を向上させるために機械学習技術を活用する継続的な取り組みに貢献することを目的としています。

要約(オリジナル)

Operational weather forecasting models have advanced for decades on both the explicit numerical solvers and the empirical physical parameterization schemes. However, the involved high computational costs and uncertainties in these existing schemes are requiring potential improvements through alternative machine learning methods. Previous works use a unified model to learn the dynamics and physics of the atmospheric model. Contrarily, we propose a simple yet effective machine learning model that learns the horizontal movement in the dynamical core and vertical movement in the physical parameterization separately. By replacing the advection with a graph attention network and the convection with a multi-layer perceptron, our model provides a new and efficient perspective to simulate the transition of variables in atmospheric models. We also assess the model’s performance over a 5-day iterative forecasting. Under the same input variables and training methods, our model outperforms existing data-driven methods with a significantly-reduced number of parameters with a resolution of 5.625 deg. Overall, this work aims to contribute to the ongoing efforts that leverage machine learning techniques for improving both the accuracy and efficiency of global weather forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google