「FourCastNet（フォーキャストネット）との出会い：高速かつ正確なディープラーニング手法によって天気予報を革新するグローバルなデータ駆動型天気予測モデル」

「FourCastNet（フォーキャストネット）との出会い：革新的なデータ駆動型天気予測モデルを実現する高速で正確なディープラーニング手法」

1920年代に数値予報（NWP）が登場しました。これらは、輸送、物流、農業、エネルギー生産などの重要な産業で経済計画に役立ちます。正確な天気予報によって、重大な災害を事前に警告することで数多くの命が救われています。過去数十年間、天気予報は品質が向上しています。Lewis Fry Richardsonは、1922年に単一の場所の6時間の大気予報を計算するためにスライドルールと対数表を使用して最初の動的モデル化された数値予報を計算しました。彼は大気の予報を作るのに6週間かかりました。1950年代までに、初期の電子計算機は予測速度を大幅に向上させ、未来の予測に役立つように迅速に計算できるようにしました。

気象予報の改善は、高速計算能力の向上に加えて、物理学のより深い知識とより良い大気観測により、小規模現象のパラメータ化の改善によって可能になりました。後者はデータの同化によって、より良いモデルの初期化につながりました。最先端のNWPモデルよりも桁違いに安価な処理コストを持つデータ駆動型のDeep Learning（DL）モデルは、天気予報においてますます人気が高まっています。大気の大規模循環を予測するためのデータ駆動型モデルの構築は、いくつかの研究の対象となっています。これらのモデルは、気候モデルの出力、一般循環モデル（GCM）、再解析データ、または気候モデルの出力と再解析データの組み合わせを使用してトレーニングされています。

データ駆動型モデルは、NWPモデルに存在するモデルバイアスを取り除き、予測の確率的予報とデータ同化を低い計算コストで可能にすることで、天気予報の向上に大きな可能性を提供します。データ駆動型モデルは、データや観測の再解析をトレーニングすることで、降水予測に大きな影響を与える対流パラメータ化スキームのバイアスなどのNWPモデルの制約を回避することができます。一度トレーニングされると、データ駆動型モデルは通常のNWPモデルよりも桁違いに早く予測を生成し、非常に大規模なアンサンブルの作成が可能となります。このような文脈では、研究者たちは大規模なデータ駆動型のアンサンブルが、季節間（S2S）予測で限られた数のアンサンブルメンバーしか含むことができない運用NWPモデルよりも優れていることを示しています。

• 「パンダとPythonでデータの整理をマスターするための７つのステップ」
• 「4つの簡単なステップであなたのMLシステムを超高速化する」
• 「これら6つの必須データサイエンススキルをマスターせずにテック業界へ応募しないでください – Spotifyのデータサイエンティストの完全ガイド（ハロウィンエディション）」

さらに、大規模なアンサンブルは、データ駆動型予測による極端な気象現象の予測をサポートします。しかし、ほとんどのデータ駆動型の気象モデルは、トレーニングに低解像度のデータを使用しており、通常は5.625または2の解像度です。広範な低解像度の大気変数の予測は過去に成功しています。ただし、粗視化プロセスにより、重要な細かいスケールの物理的情報が失われます。データ駆動型モデルは、最新の最先端の数値予報モデルと同じまたはより高い解像度で予測を提供する必要があります。たとえば、5.625の空間解像度では、世界を表す32×64ピクセルのグリッドしか提供できません。

このような予測では、500km未満の特徴を区別することはできません。小規模なダイナミクスの大規模なスケールへの重要な影響や、山脈や湖などの地形的要因の小規模なダイナミクスへの影響は、そのような不正確な予測では考慮されません。低解像度の予測は特定の状況でのみ使用される場合があります。高解像度のデータ（たとえば、0.25の解像度）は、複雑な細かいスケール構造を持つ低層の風（U10およびV10）などの変数のデータ駆動型モデルの予測を大幅に改善することができます。一方、大気のジオポテンシャル高度（Z500）などの変数では、低解像度の予報が正当化されるかもしれませんが、多くの小規模構造は存在しません。

さらに、粗いグリッドでは、熱帯低気圧などの高影響の強い事象の発生と振る舞いを正確に描写することはできません。高解像度のモデルはこれらの側面に対処できます。その戦略：NVIDIA Corporation、Lawrence Berkeley、Rice University、University of Michigan、California Institute of Technology、Purdue Universityからの研究者が、FourCastNetというフーリエベースのニューラルネットワーク予測モデルを作成し、赤道付近で30km、または0.25の解像度で重要な大気変数のグローバルなデータ駆動型予測を行うことができるようにしました。これにより、初めてECMWFの高解像度統合予報システム（IFS）モデルによって得られた結果と直接比較することができます。

図1は、96時間先のリードタイムでの世界的な地上近辺風速予測を示しています。彼らの予測では、Super Typhoon MangkhutやFlorence、Issac、Heleneといった3つの名前が付けられたサイクロンがアメリカ東海岸に向かって移動するなど、高解像度で解決し確実に追跡される重要な特徴が強調されています。

まとめると、FourCastNetはデータ駆動型の天気予測に以下の4つの新しい改善点を提供しています：

1. FourCastNetは、1週間までの予測リード期間で表面風や降水などの難しい変数を正確に予測します。グローバルスケールでの表面風予測は、まだどの深層学習（DL）モデルを使用しても試されていません。さらに、小スケールの特徴を解決できるグローバルDLモデルはまだありません。風力エネルギー資源の計画や災害軽減には、これが大きな影響を与えます。

2. FourCastNetは、最先端のDLベースのグローバル気象モデルよりも8倍の解像度を提供します。FourCastNetは、粗いグリッド、高解像度、高精度のため、より早期のDLモデルによってより多く表される必要がある、台風や大気の川などの深刻な発生を解決します。

3. リード期間最大3日の予測では、FourCastNetの予測はIFSモデルと同等のメトリック（Root Mean Squared Error [RMSE]およびAnomaly Correlation Coefficient [ACC]など）を持っています。次に、1週間までのリード期間では、FourCastNetモデルではIFSモデルに比べて全ての予測変数が大幅に優れています。FourCastNetは5つの垂直レベルで20の変数をモデル化しており、物理学に支配されるIFSモデルとは対照的に、数十年にわたって構築され、大気中の50以上の垂直レベルで150以上の変数からなるIFSモデルとは異なり、データによってのみ駆動しています。これは、データ駆動型モデリングの莫大なポテンシャルを示しており、将来的にNWPを置き換え、補完することが可能です。

4. 現在のNWPアンサンブルに比べて、高い計算コストのために最大で50のメンバーしか持たないFourCastNetの信頼性の高い、迅速で計算コストの安い予測により、非常に大規模なアンサンブルを生成することが可能となり、極値のよく調整された制約付きの不確実性を高い信頼度で評価することができます。1,000メンバーのアンサンブルの迅速な開発により、確率的な天気予測で実現可能なことは劇的に変化し、極端な天候発生の早期警告の精度を向上させ、その影響を迅速に評価することができるようになります。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!