機械学習による天気予報の進歩

気象予測におけるディープラーニングの精度が急速に向上している。多くの人が、これが気象予測方法の大きな変化を示していると思っている。新しい手法が生まれているからこそ、これらの技術をしっかり評価することが大事なんだ。特にディープラーニングモデルは物理的な保証を常に提供するわけじゃないから。その上、ベンチマークデータセットは評価に役立つけど、稀で重大な事象に関する情報が不足していることが多い。こういったケースは重要で、モデルの精度は異なる気象変数間の関係を適切に考慮しないと落ち込む可能性がある。

この問題に対処するために、GraphCast、PanguWeather、FourCastNetのような異なるディープラーニングによる気象予測モデルと、欧州中期予報センター（ECMWF）の高解像度予測システムを比較する。比較は、2021年の太平洋北西部の熱波、2023年の南アジアの湿度の高い熱波、2021年の北アメリカの冬の嵐という重大な気象事象に焦点を当てた三つのケーススタディを通じて行われる。

私たちの調査結果では、いくつかの機械学習（ML）気象予測モデルが、極端な気象事象、たとえば太平洋北西部の熱波についてECMWFの高解像度システムと同等の精度を持つことが示されている。場合によっては、従来の方法よりもかなり優れたパフォーマンスを示した。ただし、厳しい条件に直面したとき、MLモデルは従来の方法よりも苦労することがある。私たちが調べた二つの熱波に関して、従来の方法は一貫して長期予測の精度が良かった。また、MLモデルは2023年の南アジアの湿度の高い熱波のようなイベントで健康リスクを評価するために必要な特定の重要な変数にアクセスできなかった。

全体として、機械学習ベースの気象予測モデルのパフォーマンスと影響を評価することは、信頼性のある予測システムを開発するために重要だ。気象事象は社会に大きな影響を及ぼすから、予測が正確で信頼できることが必要なんだ。

近年、気象予測のための機械学習モデルは急速に進化している。これにより、これらのモデルの台頭について話す人が増えてきた。一部の研究は短期予測に焦点を当てているが、他の研究は数週間から数ヶ月先の中期予測に注目している。

従来、数値的気象予測が中期予測の確立された方法だった。このアプローチは、観測された気象データと数学的方程式を用いて予測を行うことを含む。MLモデルとの比較では、通常、ECMWFの統合予測システムを用いる。これは、最も信頼性のあるグローバルな気象予測モデルの一つとして認められている。

現在のML気象モデルは、従来の方法を上回るパフォーマンスを示しており、特に複数の変数や圧力レベルにわたるスコアを見ると顕著だ。パフォーマンスと並んで、ML手法はデータ処理がよりエネルギー効率的で迅速であることが多い。これにより、多くの人が、中期予測の状況が変わろうとしていると推測している。従来の数値モデルは主にデータ同化に使われ、MLシステムが運用予測を提供する。

正確で信頼できる気象予測は、人間生活の多くの側面にとって必須だ。だから、機械学習予測モデルを実際のアプリケーションに採用する前に、徹底的な分析が必要だ。

極端な気象事象は、農業被害、森林火災、洪水など、深刻な結果をもたらす可能性がある。効果的なリスク管理のためには、稀な事象の正確な予測が不可欠だ。MLモデルは全体的な精度を高めることができるが、極端な事象でのパフォーマンスはまだ完全には理解されていない。これらのモデルは、自分たちが訓練された状況とは大きく異なる状態で予測を行う際の課題に直面している。良いテストスコアが、訓練データを超えた条件での成功を必ずしも予測するわけではない。

予測パフォーマンスは、通常、二乗平均平方根誤差（RMSE）などの指標を使って要約される。通常、各リードタイムや変数に対して一つのスコアが計算され、モデルの全体的なパフォーマンスの概要を提供する。さらに、過去の研究ではML予測に影響を与える他の要因も調査されてきた。たとえば、多くのMLモデルは、訓練方法の影響で、長リードタイムで予測を平滑化する傾向があることが示されている。

これらの予測モデルを通して、極端な気温、熱帯サイクロン、嵐など、様々な極端な事象が研究されてきた。しかし、多くの領域ではまだ研究が必要で、特に複数の予測変数がどのように相互作用し、事象の影響をどう与えるかを研究する必要がある。ケーススタディは、一般の信頼を得るためや、要約統計には見えない可能性のある隠れた誤りを明らかにするのに重要だ。

この研究では、人気のある3つのML気象モデル-GraphCast、PanguWeather、FourCastNet-が、極端な気象の重要な影響指標を正確に予測する能力を詳細なケーススタディを通じて評価する。

#データとモデル

この研究では、ERA5再解析データとECMWF HRES解析データの2種類のデータを利用する。考慮されたすべてのMLモデルはERA5で訓練されており、観測データを短期予測と組み合わせて現在の気象状態の最良の推定を提供する。ERA5は、1940年以降、世界中のさまざまな気候変数の時間別データを提供している。

MLモデルのGraphCastとFourCastNetは6時間ごとのデータポイントが必要で、特定の時間を使用して訓練された。私たちは、より多くの情報を提供する水平分解能を持つECMWFの高解像度システムからの予測を利用している。予測データは、ML予測のタイミングに合わせて適合させている。

MLモデルと従来の予測システムとの間で公正な比較を確保することが重要だ。そのため、異なる初期条件からの誤差を導入しないように、HRES予測を参照として使用している。MLモデルは通常ERA5データで訓練されているが、これは実際の運用設定を反映しておらず、HRESとの比較に複雑さを加えている。

#ケーススタディ

#2021年太平洋北西部熱波

2021年6月末、太平洋北西部に大規模な熱波が襲い、記録的な気温を引き起こした。この事象は、周囲の生態系や人間の健康への重大な影響から大きな注目を集め、1400人以上の死亡をもたらした。この間、従来モデルとMLモデルの両方の予測誤差は顕著で、通常の指標を大きく超えていた。

MLモデルのパフォーマンスを調べると、この熱波中の予測が典型的な夏のパフォーマンスほど正確ではなかったことがわかった。MLモデルは通常の条件ではよく機能するが、極端な温度事象を予測する能力が欠けていた、特に長いリードタイムにおいて。

モデルは熱波のピーク時の温度範囲を正確に予測するのに苦労した。予測誤差を評価すると、いくつかのモデルは従来モデルと同等のパフォーマンスを示したが、従来の予測システムはやはり信頼性の面で強かった。

#2023年南アジア湿度の高い熱波

2023年4月、南アジアは高温と高湿度が組み合わさったという大きな挑戦に直面した。この状況は、体が高湿度下で温度を調整するのが難しくなるため、深刻な健康リスクを引き起こす可能性がある。気温と湿度を組み合わせた指標である熱指数が、これらのリスクを評価するために使用される。

この熱指数の予測を試みたが、MLモデルは関連する湿度変数の予測に限界があり、健康リスクを効果的に評価する能力を妨げた。MLモデルのパフォーマンスを分析すると、湿度を過小評価しており、これがこの厳しい事象の予測熱指数における不正確さを増していることが明らかになった。

#2021年北アメリカ冬の嵐

2021年2月の北アメリカの冬の嵐は、大陸の広範囲に危険な状況をもたらした。この嵐は特にテキサスで重大な混乱を引き起こし、インフラの失敗が広範な停電や水供給の混乱をもたらした。

このイベントの予測を評価した際、MLモデルは有望な結果を示したが、常に従来の方法より優れているわけではなかった。ある場合には、特に温度変動の予測において従来の予測を上回ったが、MLモデルは重要な側面の正確な予測に苦労しており、極端な冬の天候に対するこれらのモデルの適応に関する課題が浮き彫りになった。

#討論と結論

ケーススタディを通じて、MLモデルと従来の予測システムのさまざまな強みと弱みを観察した。太平洋北西部の熱波では、MLモデルとHRESが同等のパフォーマンスを示したが、従来の方法は条件の極端さをよりよく把握していた。南アジアの湿度の高い熱波では、MLモデルは表面レベルの湿度を予測する能力が欠如しており、効果が大きく制限された。最後に、北アメリカの冬の嵐では、MLモデルはある分野で強力な予測能力を示したが、他の領域では苦労した。

この研究は、気象予測における機械学習の可能性を示しているが、同時に改善とより体系的な評価の必要性も浮き彫りにしている。これらのモデルが極端な事象を扱えるようにすることは、実際の予測における実用的な応用には重要だ。さらに、モデルの直接的な比較は、気象変数を超えて実際の影響を評価する必要があり、実際のシナリオでのモデルの価値を高めることができる。

これらのモデルの進歩とより良い評価は、最終的に予測精度と信頼性の向上に貢献し、改善された気象予測システムへの道を開くことになる。極端な気象事象の影響が増大し続ける中、正確な予測の需要は高まる一方であり、これは世界中のコミュニティを守るために不可欠だ。

結論として、機械学習手法に対する継続的な評価や研究は、予測が社会のニーズに本当に応えるための信頼できる気象予測に向けた一歩となるだろう。