Integrating GNSS-Derived Zenith Wet Delay into a Weather Foundation Model Improves Precipitation Forecasting

技術要約：GNSS由来の天頂湿遅延（ZWD）の気象基盤モデルへの統合

問題提起
機械学習気象モデル（MLWM）や、Auroraのような気象基盤モデル（WFM）は、計算効率において従来の数値予報モデル（NWP）に匹敵する急速な進歩を遂げているが、これらには「深刻な降水の系統的な過小評価」という決定的な欠陥がある。この限界の一因は、訓練データが再解析プロダクト（例：ERA5）に依存していることにある。再解析場は、同化サイクルによって空間的・時間的な微細な変動が平滑化される傾向があり、水蒸気のカラム（柱）構造がフィルタリングされた表現となるため、正確な極端現象の予測に必要な対流スケールの変動性を捉えることができない。さらに、GNSS信号は、大気中の水蒸気を測定するために数十年にわたり運用NWPに同化されてきたが、主要なMLWMにおいて、GNSS由来の天頂湿遅延（ZWD）が入力変数として統合された例はまだ存在しない。

手法
著者らは、ERA5、CMIP6、および運用予報モデルで事前学習された最先端の気象基盤モデルであるAuroraに、GNSS由来のZWDを初めて統合した手法を提示している。本研究では、13億パラメータを持つ「Large」バリアントのAuroraを用い、2段階のファインチューニング・プロトコルを採用している。

1. データ準備： 本研究では、19,000以上のGNSS観測局を用いてXGBoostモデルで生成された、グローバルな格子状ZWDプロダクトであるZWDXを利用する。このプロダクトは、ERA5の入力と観測点の座標をZWDへとマッピングし、Auroraのネイティブ解像度と一致する0.25°格子上で空間的に完全な場を提供する。
2. ステップ1（学習能力）： 事前学習済みのAuroraに対し、標準的な地表面および気圧面変数とともに、補助的な出力変数としてZWDを予測するようにファインチューニングを行う。このステップにより、モデルのアーキテクチャが、構造的な変更を必要とせずに、既存の変数と同等のスキルでZWDを学習できることを検証する。
3. ステップ2（降水予測）： 6時間累積降水量を予測するため（これは事前学習には含まれていないタスク）、2つの並行したファインチューニング実験を実施する：
   • モデルA（ZWDあり）： ZWDを追加の入力および出力変数として含む。
   • モデルB（ベースライン、ZWDなし）： 標準的な変数のみを使用する。
     両モデルは同じ事前学習済みチェックポイントから初期化され、同一のハイパーパラメータとデータを用いて訓練される。性能の差によって、GNSS由来のZWDによる具体的な貢献度を分離する。
4. 評価： モデルの評価には、決定論的指標（MAE、RMSE、MSE、ピアソン相関係数）、空間構造指標（Fractional Skill Score）、閾値ベースのスキル（様々なパーセンタイルにおけるEquitable Threat Score）、およびスペクトル忠実度（惑星・総観・メソスケール帯におけるLog Spectral Distance）を用いる。

主な貢献

• 初の統合： 本研究は、GNSS由来のZ訳ZWDを気象基盤モデルに統合することに成功し、測地学的観測をMLWMに取り入れるための新しいパラダイムを確立した。
• 学習の等価性： Auroraが、特別なモジュールを必要とせず、標準的な変数埋め込みメカニズムを用いて、既存の変数（比湿、風、温度など）と同等のスキルレベルでZWDを学習できることを証明した。
• 系統的な改善： ZWDの導入により、降水予測が系統的に改善され、特に極端な現象において顕著な効果が見られた。
• スペクトルの現実性： 統合の結果、降水のパワースペクトルが総観および惑星スケールにおいてより現実的になり、ZWDが決定論的予測に特有の過度な平滑化を補正していることが示された。

結果

• ZWDの学習： ステップ1において、ZWDは相関係数（$R$）0.998、相対MAE 1.92%で予測され、比湿やその他の標準的な地表面変数と同等の性能を示した。
• 決定論的スキル： ステップ2において、ZWDの追加により、全球の降水RMSEが1.8%、MSEが3.7%減少した。最大の改善は、強い水蒸気フラックス収束を特徴とする熱帯および中緯度のストームトラックで見られた。
• 極端現象のスキル： 降水のEquitable Threat Score（ETS）は、現象の深刻度が増すにつれて向上した。99パーセンタイル（最も極端な現象）において、ETSは**8.8%**向上した。この利得は、南アジアのモンスーン、台風バビ、ハリケーン・デルタを含む個々の高影響イベントにおいても一貫して見られた。
• スペクトル忠実度： Log Spectral Distance（LSD）は全体で6.2%減少し、特に惑星帯（−39.9%）および総観帯（−33.6%）で大幅な改善が見られた。これは、ZWDが降水場の空間的組織を鮮明にする構造情報を提供していることを示唆している。
• 堅牢性： 改善は10個の訓練チェックポイントにわたって統計的に有意であり、標準的な事前学習変数の性能を犠牲にすることなく達成された（標準変数の性能はほぼ変化していない）。

意義と主張
著者らは、標準的な再解析プロダクトには存在しない変数（GNSS由来のZWDなど）が、気象基盤モデル、特に高影響の降水予測を改善するために不可欠な物理情報を含んでいるという証拠を、本研究が提供していると主張している。結果は、ZWDが、平滑化された再解析の湿度場を補完する、カラム内の水蒸気の直接的かつフィルタリングされていない観測量として機能し、モデルが水蒸気フラックス収束と対流のトリガーをより良く制約することを可能にしていることを示唆している。

本論文は、現在の実装が（部分的にERA5の入力に依存している）格子状プロダクト（ZWDX）を使用しているため、これらの知見は「保守的な下限」であると述べている。著者らは、生の独立した観測ステーションデータを利用することで、さらなる恩恵が得られる可能性があると示唆している。最終的に、本研究は、精度が最も重要となる場面、すなわち極端な気象現象において、高密度な測地観測ネットワークを活用してAI気象予測の信頼性を高めるための経路を確立したものである。