高解像度天気予報の壁は、モデルよりデータにある

導入

機械学習による全球天気予報は、より細かな格子へと進んでいます。しかし、解像度を0.1度まで高めると、モデル構造だけでは解決できない問題が現れます。高解像度モデルには大量の高解像度学習データが必要ですが、数十年分の全球再解析データは主に0.25度で提供されています。このデータ不足が、高解像度予報モデルの拡張を妨げています。

BaguanHRは、この問題に対して従来とは異なる方針を採用しました。0.25度の予報モデルを少数の0.1度サンプルで微調整するのではなく、まず既存の粗いデータを高解像度の学習資源へ変換します。

主なポイント

• モデル移転からデータ移転へ。 0.25度の予報過程では情報が失われ、その損失は後から完全には戻せません。そのため、粗解像度モデルを直接高解像度へ移す方法には限界があると分析しています。
• 超解像を解像度変換に利用。 研究では、予報タスクと超解像タスクを比較し、超解像の方が条件付きエントロピーと入力増幅が小さいと報告しています。これが、解像度変換のより安定した手段になるという考えです。
• 気象変数ごとに処理。 各変数は空間的な構造やスケールが異なります。BaguanHRは変数別に超解像を行い、ERA5から0.1度の合成データを大量に生成します。その後、実際の高解像度データと組み合わせて学習します。
• データ量にべき乗則の効果。 データ量を2倍にすると、72時間予報のRMSEは4.6%、120時間予報では4.9%低下しました。

意義と限界

合成データと実データを組み合わせた学習では、72時間以内のリードタイムの85%以上で、既存の機械学習手法とIFS-HRESを上回りました。これは超解像がすべての細かな大気現象を完全に復元するという意味ではありません。重要なのは、長期間蓄積された粗い格子の情報を、高解像度モデルが利用できる大規模な訓練信号に変換した点です。

高解像度の全球再解析を数十年分新たに整備するには、大きなコストがかかります。既存の粗解像度アーカイブを変数別超解像で拡張する方法は、データ資源を増やす比較的単純で汎用的な選択肢になり得ます。また、予報モデルの性能向上では、パラメータ数だけでなく、利用可能なデータの量、解像度、多様性が重要だという見方も示しています。

一方で、合成された細部が物理的に整合しているか、独立した高解像度観測と一致するかは別途検証が必要です。BaguanHRは高品質な実データの代替というより、既存データを高解像度学習へ活用するための拡張戦略と捉えるのが適切でしょう。

出典：Hugging Face Daily Papers