キロメートルスケール対流許容モデルの生成拡散モデリングを用いたエミュレーション

科学分野:

• 大気科学
• 気象学
• 機械学習

背景:

• 嵐スケールの対流許容モデル（CAM）は、極端気象の予測に不可欠ですが、計算コストがかかります。
• ディープラーニングモデルは、粗い解像度とは異なり、キロメートルスケールの大気シミュレーションでスキルを達成するのに苦労しています。
• 雷雨やメソスケール対流システムなどの厳しい気象現象の正確な予測は、依然として課題です。

研究 の 目的:

• 気象予報のためのスキルのあるキロメートルスケール大気シミュレーションが可能なディープラーニングモデルを開発すること。
• 生成拡散アプローチを使用して、運用上の対流許容モデルのパフォーマンスをエミュレートすること。
• モデルが主要な大気変数および対流現象を予測する能力を評価すること。

主な方法:

• 運用上のCAMであるHigh-Resolution Rapid Refresh（HRRR）をエミュレートするために、生成拡散モデルであるStormCastを開発しました。
• 1時間ごとのタイムステップで、キロメートルスケールで99の状態変数の自己回帰予測を利用しました。
• 26の気候変数でモデルを条件付け、大気境界層に密な鉛直解像度を組み込みました。

主要な成果:

• StormCastは、キロメートルスケールの大気力学の学習に成功したことを示しています。
• 複合レーダー反射率に対して、1〜6時間の予測スキルを達成しました。
• 物理的に現実的な対流クラスターの進化、湿潤上昇流、およびコールドプール形態を生成しました。

結論:

• 生成拡散モデルは、キロメートルスケール地域機械学習気象予報の改善に有望です。
• StormCastのパフォーマンスは、気候ハザード研究における力学的ダウンスケーリングを強化する可能性を示唆しています。
• この研究は、高解像度気象予報および気候影響研究におけるAIの活用に新たな道を開きます。