未観測領域における風ナウキャスティングのための仮想ノードを用いた拡散・コントラスト学習グラフニューラルネットワーク

概要: 正確な天気のナウキャスティング（現在の気象状態を高頻度で推定・予測すること）は、大気科学における中心的な課題の一つであり、気候レジリエンス、エネルギー安全保障、災害対応の準備にとって重大な意味を持ちます。観測ステーションをあらゆる場所に設置することは現実的ではないため、地域によっては密な観測ネットワークが欠けており、観測されていない領域にまたがる短期の風の予測が信頼できないものになります。ここでは、新しいセンサーを必要とせずに、このような未観測領域へナウキャスティング能力を拡張する深層グラフの自己教師ありフレームワークを提案します。本手法では、拡散およびコントラストに基づくグラフニューラルネットワークに「仮想ノード」を導入し、直接の観測がない場所における風の状態（すなわち、風速、風向、突風）をモデルが学習できるようにします。オランダ全域にわたる高時間分解能の気象観測所データを用いて検証したところ、本アプローチは、補間および回帰の手法と比較して、未観測領域における風速、突風、風向のナウキャストの平均絶対誤差（MAE）を30%〜46%以上低減できることを示しました。観測が存在しない場所で局所的なナウキャストを可能にすることで、本手法は、データが乏しい地域における再生可能エネルギーの統合、農業計画、早期警戒システムに向けた新たな道を切り開きます。