要旨
季節内から季節規模（S2S）の降水予測は、金融面および社会面で大きな影響を持つ一方、予測シグナルの弱さ、高い不確実性、ならびにシミュレーションの忠実度を制約する運用システムの計算コストにより、依然として困難である。本研究では、データ駆動型予測における3つの主要なボトルネックに対処する、確率的S2S降水予測のための生成的潜在拡散フレームワークSimCast-S2Sを提案する。第一に、S2S予測では決定論的な点予測だけでなく不確実性の定量化が必要であるため、SimCast-S2Sは拡散モデルに基づく生成パイプラインをS2S予測に用いる初のデータ駆動型システムとして、基礎となる条件付き分布からの効率的なサンプリングを可能にする。第二に、物理空間における大規模な確率アンサンブルの生成は計算コストが高いため、SimCast-S2Sは変分オートエンコーダ（VAE）によって学習されたコンパクトな潜在空間上で動作し、大規模アンサンブルを効率的に生成する。第三に、拡散モデルは通常、大規模な訓練データセットを必要とするが、SimCast-S2Sは低ランク適応（LoRA）による転移学習を用い、気候シミュレーションの大規模アンサンブルで事前学習した後、限られた再解析データでファインチューニングすることでこの問題を克服する。再解析データ上で、SimCast-S2Sは畳み込みニューラルネットワークやU-Netアーキテクチャを含む深層学習ベースラインを上回る。特筆すべきことに、大気入力変数の一部のみを使用し、後処理、バイアス補正、較正を一切行わないにもかかわらず、SimCast-S2SはECMWF-S2Sベースラインなどの最先端運用システムに匹敵し、多くの側面でそれらを上回る。これらの結果は、潜在生成モデリングとシミュレーションから再解析への転移学習の組み合わせが、データ駆動型の確率的S2S降水予測に向けた効率的かつ拡張可能な道筋をもたらすことを示している。
https://doi.org/10.21203/rs.3.rs-10872625/v1