CNNベースのアンサンブル数値気象予測による地表面温度予測

Abstract

計算資源が限られているため、中期（中距離）の気温予測は通常、低解像度の数値気象予測（NWP）モデルに依存しており、体系的誤差とランダム誤差の影響を受けやすい。そこで本研究では、畳み込みニューラルネットワーク（CNN）を、低解像度のNWPモデルのアンサンブル（水平解像度40km）と統合し、高解像度（5km）の地表面温度予測を作成する方法を提案する。リードタイムは最大5.5日（132時間）まで拡張する。まず、個々のアンサンブルメンバーに対してCNNベースの事後処理（バイアス補正と空間ダウンスケーリング）を適用し、体系的誤差を低減するとともにダウンスケーリングを行う。これにより決定論的予測精度が向上する。次に、このメンバーごとの補正を全51のアンサンブルメンバーに適用し、単純なアンサンブル平均における誤差低減メカニズムとは異なる、改善された確率的な信頼性（probabilistic reliability）とスプレッド・スキル比（spread-skill ratio）を備えた新しい高解像度アンサンブル予測システムを構築する。平均化は空間場を平滑化することで予測誤差を低減するのに対し、本提案のメンバーごとのCNN補正は、他の高解像度予測と同程度の水準で予測情報を維持しながら、ノイズに起因する誤差を低減する。実験結果は、本手法が中期の気温予測を改善するための実用的かつスケーラブルな解決策を提供することを示しており、とりわけ計算資源が限られた運用センターでの利用にとって有益である。