Core Concepts
機械学習気象予測モデルの弱点として、基本的な力学的バランスを表現することが難しいことを克服するために、物理ベースのコアコンポーネントに統計コンポーネント(主にニューラルネットワーク)を組み合わせるハイブリッドモデリングが有望である。
Abstract
近年、完全なデータ駆動型のグローバル数値気象予測(NWP)モデルの開発が進展しています。これらの機械学習気象予測(MLWP)モデルは、主にニューラルネットワークなどの機械学習手法を使用しており、ECMWFが生産したERA5再解析などの再解析データセットを使用してトレーニングされています。これらのMLWPモデルは高い精度で予測を行う一方で、物理学に基づくNWPモデルよりも計算時間とコストが少なくてすむという利点があります。しかし、これらのMLWPモデルは欠点も抱えており、特に大気中の基本的な力学的バランスを表現することが難しい傾向があります。この問題に対処するために、物理学的コアコンポーネントと統計コンポーネント(主にニューラルネットワーク)を組み合わせることで予測能力を向上させる方法である「Hybrid modeling」が提案されています。
Stats
2022年以降、完全なデータ駆動型グローバル数値気象予測(NWP)モデルが開発されている。
MLWP(Machine Learning Weather Prediction) モデルは再解析データセット ERA5 を使用してトレーニングされている。
MLWP モデルは他の NWP モデルよりも高速かつ低コストで競争力のある精度で予測を行う。
MLWP モデルは再解析データセットから訓練されており、地球システムの過去知識からバイアスが生じている可能性がある。
Hybrid modeling は物理学的コアコンポーネントと統計コンポーネント(主にニューラルネットワーク)を組み合わせた手法であり、新しい MLWP モデルや従来の NWP モデルの制限を克服する可能性がある。
Quotes
"Hybrid modeling is by construction closely related to model error correction as the purpose of the data-driven component is precisely to correct the errors of the physics-based core component."
"Online training usually requires the adjoint operator of the physics-based model to correct."
"Hybrid models can be more difficult to implement than surrogate models, they are often more accurate while reducing data demands."