AceCAST 5の新機能と変更点
AceCAST 5は現在ご利用いただけます。変更点は、WRF 4.8、四つの物理更新、四つの新しいモデル出力です。
2022年5月、TempoQuestは、物理ベースの気象モデルと機械学習をブレンドする「Hybrid Weather Twin」を紹介しました。それぞれのモデルの得意分野と、ブレンドが現在使われている場面を説明します。

気象予報を必要とするデータサイエンス部門の責任者は、今では二つのタイプのモデルから選べます。物理ベースのモデルは大気の方程式を解くもので、膨大な計算を必要とします。機械学習モデルは、学習が済めば予報をすばやく出せますが、知っているのは学習データから学んだことだけです。多くのチームは、結局その両方を必要とします。2022年5月、TempoQuestは、物理ベースのモデルと機械学習をブレンドする「Hybrid Weather Twin」という構想を紹介しました。この記事では、その考え方を改めて取り上げます。当時何が提案されたのか、それぞれのモデルは何が得意なのか、そしてブレンドが現在、実際にどこで使われているのかを説明します。
デジタルツインとは、物理的なシステムをデジタル上に再現した複製であり、実物から得た計測値によって最新の状態に保たれるものです。2022年の記事は、この用語を気象に当てはめました。そこで示されたハイブリッドツインは、物理ベースの予報モデルと、観測データで学習したデータ駆動型モデルを組み合わせたものでした。
この構想では、予報の一連の処理のうち、次の三つの箇所に機械学習を配置していました。
この構想では、インフラについても「ハイブリッド」という言葉を使っていました。CPUとGPU、クラウドとオンプレミス、公開データと非公開データです。下の図は、その記事に掲載されていたものです。

Hybrid Weather Twinは構想であって、製品ではありませんでした。
物理ベースのモデルは、運動と熱力学の法則を出発点とします。強みは次のとおりです。
代償は計算量であり、細かい格子では大量の計算が必要になります。
機械学習モデルは、過去のデータからパターンを学習します。強みは次のとおりです。
限界は学習データにあります。粗い記録や期間の短い記録で学習したモデルは、見たことのない細部や極端現象を生成できません。
二つのアプローチが互いを補い合うのはそのためです。物理モデルは、学習モデルが必要とする詳細で整合性のあるデータを生成できます。学習モデルは、観測に照らして物理モデルを補正できます。
現在の例を三つ紹介します。
細かい格子が描く細部は、予報精度の証明にはなりません。予報を評価する方法では、ライダー観測との範囲を限った過去の比較も紹介しています。
あらゆるハイブリッドシステムにとっての教訓は、この二つの結果の組み合わせにあります。細かい格子の計算単独では基準モデルを上回れなかったところで、ブレンドは上回りました。そして、それを明らかにしたのは、観測と照合した評価だけでした。
どのようなブレンドにも審判役が必要です。標準的な検証では、バイアス、平均絶対誤差、二乗平均平方根誤差といった指標を使い、観測所、ライダー、レーダーの観測と照合して予報を評価します。これとは別に、TempoQuestは、気象予報の検証を改善することを目的としたForecast Verification Toolを開発しています。

AceCAST 5は現在ご利用いただけます。変更点は、WRF 4.8、四つの物理更新、四つの新しいモデル出力です。

Aeravaは、ピンで指定した拠点の周辺で気象モデルを実行し、その結果を、ご自身で設定した雷雨、風、風車カットアウトのしきい値と照合します。現在実行できる予報、その料金、そして精度についてAeravaが述べていることを紹介します。

2023年に公開された一つのベンチマークと、Azureの二つの定価をもとに、一行ずつ計算します。GPU VMのコストをCPU VM 1台および16台と比べるとどうなるか、そしてこの計算に含まれていないものは何かを示します。
お客様の予報
その予報がどのような判断に使われるのかをお聞かせください。短いフォームひとつで担当チームに届き、すべてのお問い合わせを確認します。