機械学習を利用して今現在の天気予報を行う(3/3)

１．機械学習を利用して今現在の天気予報を行う(3/3)まとめ

・従来の天気予報モデルと比較した結果、短期的未来を予測する能力は機械学習モデルが最も高かった
・しかし、５時間以上先の天気では物理学を考慮するHRRRの性能の方が高かった
・短期的予測の機械学習モデルと長期的予測のHRRRを組み合わせる事でより良い結果が得られる可能性

２．従来の天気予報モデルとの比較

以下、ai.googleblog.comより「Using Machine Learning to “Nowcast” Precipitation in High Resolution」の意訳です。元記事の投稿は2020年1月13日、Jason Hickeyさんによる投稿です。アイキャッチ画像のクレジットはPhoto by morais on Unsplash。

検証結果
広く使用されている3つのモデルと比較しました。

まず、NOAA(国立海洋大気庁)のHRRR(High Resolution Rapid Refresh)による予報。HRRRには、実際には時間や範囲が異なる多くの気象予報が含まれています。HRRRの1時間毎の累積表面降水量予測が最も品質が高い1時間後の降水量予測であるため、これを比較対象としました。

第二に、オプティカルフローアルゴリズムとの比較です。オプティカルフローは一連の画像を通して移動するオブジェクトの動きを追跡しようとするアルゴリズムです。

この後者のアプローチは、広い地域の全体的な雨量が予測時間の間、一定であるという仮定を立てています。これは、明らかに妙な仮定ですが、それでもこのアルゴリズムは、しばしば天気予報に使われています。

第三のモデルは、いわゆる永続性モデル(persistence model)です。各場所では現在雨が降っているのと同じ割合で将来も雨が降ると想定する浅薄なモデルです。つまり、降水パターンは変化しません。これは比較対象とするには過度に単純化されたモデルのように思われるかもしれませんが、天気予報の予測はこういったモデルを使わざるを得ないほど困難であり、一般的に使われるモデルです。

天気予報を約1日間、視覚化した結果
左図：HRRRの最小予測単位である1時間毎にHRRR予測を表示した画像
中央：本当に雨が降っていた地域。つまり、私達が予測しようとしている事
右図：私達のモデルによる予測。予測は、HRRRによって作成された予測より空間的に約10倍精密で、2分毎(この事例では15分毎に表示)です。嵐の一般的な動きと一般的な形状を捕捉出来ている事に注目してください。

モデルを比較するために、適合率(precision:雨と予測した地域で、実際に雨が降った地域の割合)と再現率(recall:実際に雨が降った地域のうち、雨が降ると予測されていた地域の割合)のグラフ(PR graphs)を使用します。

私達が開発した独自モデルは詳細に分析出来るため、完全なPR曲線を作成する事ができます。(下図の青線で表示)。

ただし、私達はHRRRモデルを直接取り扱う事が出来ず、永続性モデルもオプティカルフローも適合率と再現率を調整する機能がないため、これらのモデルは個々のポイントのみで表示されています。ご覧のように、ニューラルネットワークの予測の質は、これらの3つのモデルすべてよりも優れています。(青い線は他のモデルの結果よりも上にある)。ただし、予測期間が約5～6時間に達すると、HRRRモデルが現在のニューラルネットワークの予測結果を上回るようになることに注意が重要です。

適合率と再現率を比較した結果。青い実線が私達のモデルの結果です。
オプティカルフロー(OF)、永続性モデル、HRRRの1時間毎予測。
比較対象の分類器に直接アクセスする事ができないため、完全なPR曲線にはなっていません。
左：小雨の予測。右：中程度の雨の予測

機械学習を天気予報に使う利点の1つは、予測を瞬時に効果的に行える事です。つまり、予測は最新のデータに基づいて実行する事ができます。HRRRでは1～3時間程度、計算による遅延が発生してしまいます。

そのため、非常に短期的未来を予測するためにはコンピュータービジョンを使った手法の予測精度は向上します。対照的に、HRRRで使用されている数値モデルは、完全な3D物理モデルを使用しているため、長期的未来の予測を向上させることができます。雲の形成は2D画像から観察することが難しく、機械学習メソッドが対流プロセスを学習するのは困難です。

これら2つのシステム、短期的な予測のための機械学習モデルと長期的な予測のためのHRRRを組み合わせることで、全体としてより良い結果が得られる可能性があります。これは今後の研究の焦点です。

また、機械学習を3D観測情報に直接適用することも検討しています。とにかく、即時予測は、リアルタイムの計画、意思決定の促進、生活の改善のための重要なツールです。

謝辞
Carla Bromberg、Shreya Agrawal、Cenk Gazen、John Burge、Luke Barrington、Aaron Bell、Anand Babu、Stephan Hoyer、Lak Lakshmanan、Brian Williams、Casper Sønderby、Nal Kalchbrenner、Avital Oliver、 Tim Salimans、Mostafa Dehghani、Jonathan Heek、Lasse Espeholt、Sella Nevo、Avinatan Hassidimに感謝します。