機械学習 VS 数値天気予報、AI は天気予報モデルをどのように覆すのか?

数値天気予報は天気予報の主流の方法です。演繹的推論のプロセスである数値積分を通じて、地球システムの状態をグリッドごとに解決します。

しかし、天気予報の解像度が向上し、予報時間が徐々に長くなるにつれて、NWP モデルに必要な計算能力が急速に増加し、その開発が制限されるようになりました。一方、人工知能をベースとしたデータ駆動型の天気予報は急速に発展しており、一部の分野では従来の方法を超えています。

既存の機械学習による天気予報はどの程度正確でしょうか?人工知能は天気予報をどのように変えるのでしょうか?この記事では、いくつかのデータ駆動型機械学習天気予報モデルを比較し、天気予報の将来の発展を展望します。

著者 |雪才

編集者 |サンヤン

数値天気予報: 450億の偏微分方程式

数値天気予報（NWP）は、天気予報の分野で主流の方法です。 20 世紀初頭には、アッベとビャークネスは物理法則を利用して天気を予測できると提唱していました。現在の気象状況を初期値として、将来の気象を積分して解くことができました。しかし、当時の気象学の研究は十分に深くなく、計算レベルも比較的遅れていたため、このアイデアは実現できませんでした。

1950 年、プランダー大学は初めて電子コンピュータを使用して天気予報を行うことを試みました。 1954年、リアルタイムの天気予報がストックホルムで初めて導入されました。

各メッシュセルの物理法則に基づいて微分方程式系を解く

1970 年代にスーパーコンピュータが登場して初めて、アッベとビャークネスが提案した方程式全体が解けるようになりました。 1979 年、ヨーロッパ中期天気予報センター (ECMWF) が最初の中期天気予報をまとめ、統合予報システム (IFS) の章を開始しました。

しかし、エドワード・N・ローレンツは先人の経験を要約し、気象システムは変数のわずかな変化によって大きな変化を起こす混沌としたシステムであると提唱しました。一方、気象システムの初期状態を人間が完全に把握することは困難です。このため、学術界ではアンサンブル予測を使用して、初期パラメータと予測モデルの不確実性を最小限に抑えています。予測結果の収集は確率予測の基礎となります。

降水確率のアンサンブル予報の模式図

数値モデル、スーパーコンピューティング、データ同化、アンサンブル予測などの技術の発展により、数値天気予報の精度は継続的に向上し、予測時間は3日、5日から7日、さらには10日へと徐々に増加しています。

北半球と南半球（SH、NH）における気象予報技術の進化

現在、ECMWF 予測モデルでは、1 日に 2 回実行され、各水平レイヤーで 200 万グリッド セルの 10 日間の予測が 10 分間隔で必要になります。そのため、約 400 億のグリッドの計算を 2.5 時間以内に完了する必要があり、非常に高い計算コストが必要になります。

計算コストが高いため、数値天気予報方法のさらなる発展が妨げられています。モデルの解像度とアンサンブルのサイズのバランスをどのように見つけるかが、アンサンブル予測を制限する足かせとなっている。

データ駆動型機械学習アプローチの台頭

最近、データ駆動型機械学習 (ML) は天気予報において大きな可能性を示しています。 2022年以降、天気予報の分野における機械学習モデルは一連のブレークスルーを達成しており、その一部は欧州中期予報センターの高精度予報に匹敵するほどのものである。データ駆動型の天気予報推論は、統合予報システム (IFS) の物理モデルではなく機械学習モデルに依存しており、従来の方法と比較して予測速度を数桁向上させることができます。さらに、機械学習に基づく天気予報は、従来の演繹的推論ではなく、帰納的推論の結果です。この論理のパラダイムシフトにより、天気予報の解釈方法が変わります。結果は過去のデータから学習されるため、より説得力のあるものになります。

データセット: 1940年から現在までの0.25°再解析データ

データ駆動型モデルの出現は、気象学における大規模で高品質のオープンデータセットによるものです。既存の機械学習天気予報モデルは、欧州中期予報センターの第 5 世代再解析データである ERA5 再解析データセットに基づいてトレーニングされています。統合予報システム (IFS) の現在のバージョンが 2016 年に開始されたとき、1940 年から現在までの気象データが再分析され、解像度 0.25° (30 km) の ERA5 データセットが作成されました。

FourCastNet: IFS と同等の精度を持つ DL モデル

2022年、NVIDIAは、フーリエ予測ニューラルネットワークに基づいて0.25°の解像度で初のディープラーニング天気予報を実行したFourCastNetをリリースしました。

FourCastNet アーキテクチャ図

FourCastNet は解像度を向上させながらも、異常相関係数 (ACC) と二乗平均平方根誤差 (RMSE) の点では従来の数値天気予報にそれほど遅れをとっていません。

FourCastNet と数値天気予報の ACC と RMSE の比較

ノード時間で見ると、FourCastNet は従来の数値気象予測モデルよりも約 45,000 倍高速です。高解像度での精度と組み合わせることで、大規模なアンサンブル予測のコストが急速に削減されます。

GraphCast: GNN に基づく世界の中期天気予報

GraphCast は、「エンコード-プロセス-デコード」構成と合計 3670 万のパラメータを持つグラフ ニューラル ネットワーク (GNN) に基づくニューラル ネットワークです。

エンコーダーは、単一レイヤー GNN を介して入力グリッド内の変数を内部マルチグリッドにマッピングします。

マルチグリッドは、高解像度で地球全体をカバーした空間的に均質なマップです。マルチメッシュは、正二十面体（12 個のノード、20 個の面、30 個のエッジを含む）の 6 回の反復によって形成され、各反復では、1 つの三角形を 4 つの小さな三角形に分割し、それらのノードを球体に投影することでメッシュが細分化されます。最終的なマルチメッシュには 40,962 個のノードが含まれ、改良プロセス中のグラフのすべてのエッジは、異なる長さのエッジを持つ階層グラフを形成します。

プロセッサは、複数のグリッド上でメッセージ パッシングを行う 16 個の非共有 GNN レイヤーを使用します。デコーダーは、単層 GNN を使用して、プロセッサがマルチグリッドから学習した特徴を経度と緯度のシステムにマッピングします。

GraphCast フレームワーク

ac: GraphCast の入力予測反復プロセス。

df: GraphCast エンコード、処理、デコード構成。

g: マルチグリッド改良プロセス。

ヨーロッパ中期天気予報の高解像度予報 (HRES) と比較すると、GraphCast は ACC と RMSE の両方で優れています。

GraphCastとHRESの予測RMSE（a&b）とACC（c）の比較

GraphCast は、32 台の Cloud TPU v4 デバイスで 3 週間のトレーニングを行った後、1979 年以降の ERA5 データを学習しました。 GraphCast は、単一の Cloud TPU v4 デバイスで 60 秒以内に 0.25° の解像度と 6 時間間隔で 10 日間の天気予報を生成できます。

Pangu: ViT に基づく大規模な 3D 気象モデル

Pangu 気象モデルの入力と出力は、どちらも 3 次元の気象フィールドです。気象場の経度と緯度の分布が不均一なため、盤古気象モデルは3次元ビジョントランスフォーマー（ViT）を使用して気象データを処理し、その精度は初めて主流の統合予報システム（IFS）の精度を上回りました。

3Dビジョントランスフォーマーアーキテクチャ

予測時間が 3 日を超える場合、RMSE の観点から、Pangu 気象モデルと IFS のパフォーマンスは同等であり、どちらもトレーニング セット ERA5 よりも優れています。

T850とZ500の異なるモデルの予測性能の比較

a および b: 異なるモデルがそれぞれ T850 と Z500 を予測した場合の RMSE。

c&d: それぞれT850とZ500で異なるモデルによって予測された活動強度。

e&f: 異なるモデルがそれぞれ T850 と Z500 を予測した場合の偏差。

まとめると、データ駆動型機械学習天気予報は予測精度の点では従来の数値天気予報モデルに近いが、計算設備と計算速度は数値天気予報モデルをはるかに上回っており、AI天気予報は実用化において大きな可能性を秘めていることがわかる。

機械学習と数値予測 = 精度 + スピード

機械学習は、天気予報の内外を問わず、驚異的なペースで進歩し続けています。欧州中期予報センターは、NVIDIA、Huawei、Deepmind などのデータ駆動型天気予報の急速な台頭を追ってきました。

「FourCastNet は、0.25° の解像度を持つ初の AI ベースの天気予報システムであり、初のオープンソース天気予報システムです。当社の新バージョンでは、モデルの中期的なパフォーマンスと長期的な安定性が大幅に向上し、ニューラル オペレーター フレームワークを通じて超解像度を実現したいと考えています」と、NVIDIA Earth-2 チームの Anima Anandkumar 氏は述べています。

ECMWF は、これらの機械学習モデルを安定した数値モデルとともにユーザーに提示し、アプリケーション側からシステムの動作とパフォーマンスを評価するよう促します。モデルの精度、信頼性、不確実性、相互作用は、気象製品の品質と有効性を評価する上で重要な要素です。

この目的のため、欧州中期予報センターは、IFS 初期条件に基づく FourCastNet、PGW、GraphCast の予報結果を公開しました。フロリアン・パッペンベルガー氏は、「オープン性はイノベーション、コラボレーション、発見の鍵です。データ、方法、結果を共有し、比較と分析を可能にすることで、科学の発展を加速し、最終的には社会に利益をもたらすことができます。」と述べました。

気象AIの公開データ3つ

欧州中期予報センターの比較では、AI ベースの天気予報はパフォーマンスのいくつかの面ですでに数値天気予報に匹敵しており、将来的に重要な役割を果たすことがわかります。しかし、これらのモデルには、中期および長期の時間スケールで価値ある予測を提供するための鍵となる包括的な予測機能がまだ備わっていません。

オープンアクセス、比較最適化、移植性、可用性など、AI は従来の天気予報にその利点を浸透させています。 AI は天気予報をスーパーコンピューターから解放すると同時に、極端な気候現象にも優れたパフォーマンスを発揮します。 AIは数値天気予報と相まって天気予報の実施方法に革命をもたらし、農業、林業、畜産、漁業、航海、航空宇宙の発展に貢献できると信じています。

参考リンク:

[1]https://journals.ametsoc.org/view/journals/mwre/29/12/1520-0493_1901_29_551c_tpbolw_2_0_co_2.xml

[2]https://cir.nii.ac.jp/crid/1573668925699683328

[3]https://www.nature.com/articles/nature14956

[4]https://arxiv.org/abs/2202.11214

[5]https://arxiv.org/abs/2212.12794

[6]https://phys.org/news/2023-09-ai-weather-showcase-data-driven.html

[7]https://arxiv.org/abs/2307.10128

- 以上 -