不確実性を考慮したエンドツーエンドAI気象予報：観測とモデルの寄与の分離

要旨

エンドツーエンドの天気予報システムは、生の地球観測データから直接、高性能な全球格子予報および地点予報を生成し、データ同化を含む数値天気予報パイプラインをそのコストのごく一部で置き換える。これらのシステムは決定論的であり、不確実性を発行しない。本稿では、各構成要素に確率的機構を1つずつ付加して、Aardvark Weatherモデルを確率化する。観測エンコーダには、観測システムに由来する偶然的不確実性を捕捉する学習済みの入力依存ノイズを付加し、プロセッサには、学習された力学における認識論的不確実性を捕捉するモンテカルロドロップアウトを付加する。得られたネスト型アンサンブルは、観測ストリームを保留して相互検証された全分散の法則分解により、予報の広がりをこの2つの発生源に帰属させる。確率的ファインチューニングは平均予報を顕著に改善し、変数とリードタイム全体で平均4.2%の改善が得られた。アンサンブルは中期予報期間を通じてERA5に対して較正されており（スプレッド・スキル比0.98）、地点RMSEを決定論的モデルの2.4%以内に保ちながら、すべてのリードタイムでCRPSにおいて決定論的モデルを上回る。ただし、現業のECMWFアンサンブルには及ばない。エンコーダブランチは観測駆動型の不確実性として振る舞う。構成要素に帰属された不確実性はエンドツーエンド予報の透明性を高め、観測駆動型の大気デジタルツインへの一歩となる。

English

End-to-end weather forecasting systems produce skillful global gridded and station forecasts directly from raw Earth observations, replacing the numerical weather prediction pipeline, including data assimilation, at a fraction of its cost. These systems are deterministic and issue no uncertainty. Here we render the Aardvark Weather model probabilistic by attaching one stochastic mechanism to each component: learned, input-dependent noise at the observation encoder, capturing aleatoric uncertainty inherited from the observing system, and Monte Carlo dropout in the processor, capturing epistemic uncertainty in the learned dynamics. The resulting nested ensemble attributes forecast spread to the two sources through a law-of-total-variance decomposition, cross-checked by withholding observation streams. Probabilistic finetuning significantly improves the mean forecast, by 4.2% on average across variables and lead times. The ensemble is calibrated against ERA5 through the medium range (spread-skill ratio 0.98), keeps station RMSE within 2.4% of the deterministic model while beating it in CRPS at every lead time, and trails the operational ECMWF ensemble. The encoder branch behaves as observation-driven uncertainty. Component-attributed uncertainty makes end-to-end forecasts more transparent, a step toward observation-driven digital twins of the atmosphere.