[논문 리뷰] A Deep and Wide Neural Network-based Model for Rajasthan Summer Monsoon Rainfall (RSMR) Prediction

Vikas Bajpai, Anukriti Bansal|arXiv (Cornell University)|2021. 03. 02.

Hydrological Forecasting Using AI인용 수 4

한 줄 요약

이 논문은 인도 기상국(IMD)의 격자형 데이터셋과 WRD rainfall 계측기에서의 역사적 강수량 데이터를 사용하여 라지스탄 여름 monsoon 강수량(RSMR)을 예측하기 위한 딥 및 워드 신경망 기반 모델(DWMRPM)을 제안한다. 이 모델은 1D-CNN 및 MLP 기준 모델보다 우수한 성능을 보이며, 라지스탄의 다양한 지리적 지역에서 모든 monsoon 월 동안 가장 낮은 RMSE와 MAE를 기록하여 일반화 능력이 뛰어나다.

ABSTRACT

Importance of monsoon rainfall cannot be ignored as it affects round the year activities ranging from agriculture to industrial. Accurate rainfall estimation and prediction is very helpful in decision making in the sectors of water resource management and agriculture. Due to dynamic nature of monsoon rainfall, it's accurate prediction becomes very challenging task. In this paper, we analyze and evaluate various deep learning approaches such as one dimensional Convolutional Neutral Network, Multi-layer Perceptron and Wide Deep Neural Networks for the prediction of summer monsoon rainfall in Indian state of Rajasthan.For our analysis purpose we have used two different types of datasets for our experiments. From IMD grided dataset, rainfall data of 484 coordinates are selected which lies within the geographical boundaries of Rajasthan. We have also collected rainfall data of 158 rain gauge station from water resources department. The comparison of various algorithms on both these data sets is presented in this paper and it is found that Deep Wide Neural Network based model outperforms the other two approaches.

연구 동기 및 목표

• 딥 러닝 모델을 사용하여 라지스탄 여름 monsoon 강수량(RSMR) 예측의 정확도를 향상시키는 것.
• 특히 1D-CNN, MLP, 그리고 워드 딥 신경망과 같은 딥 러닝 아키텍처의 성능을 평가하고 비교하는 것.
• 라지스탄 수자원국의 격자형 IMD 데이터와 점 기반 강우계측기 데이터를 융합하여 모델의 일반화 능력을 향상시키는 것.
• 사막, 산악, 평야 지역을 포함한 라지스탄의 다양한 지리적 지역에서 정확한 강수량 예측이 가능한 통합 모델을 개발하는 것.
• 지역의 수자원 관리 및 농업 계획을 지원하기 위해 조기이고 신뢰할 수 있는 강수량 예측을 제공하는 것.

제안 방법

• 제안된 DWMRPM 모델은 원래 추천 시스템에 사용되던 워드 및 딥 러닝 프레임워크를 영감으로 받아 넓은 선형 특징과 깊은 신경망 표현을 통합한다.
• 모델은 118년(1901–2018) 간의 IMD 격자형 강수량 데이터(0.25°×0.25° 해상도)와 61년(1957–2017) 간의 라지스탄 수자원국의 현장 수준 데이터를 기반으로 훈련된다.
• 입력 특징으로는 다수의 공간적 지점에서의 역사적 강수량 시계열이 포함되며, 시간적 순서가 사용되어 계절적 및 장기적 패턴을 포착한다.
• 모델는 밀집층(넓은 구성 요소)과 깊은 잔차 블록(깊은 구성 요소)을 조합한 하이브리드 아키텍처를 사용하여 기억 및 일반화 패턴을 모두 학습한다.
• 모델 훈련은 평균 제곱오차(MSE)와 평균 절대오차(MAE)를 손실 함수로 사용하며, 적응형 학습률 방법을 통해 최적화된다.
• 성능 평가는 테스트 세트에서 RMSE와 MAE를 사용하며, 다양한 지리적 지역과 강수량 제도에 걸쳐 교차 검증이 수행된다.

실험 결과

연구 질문

• RQ1 딥 및 워드 신경망 아키텍처가 라지스탄 여름 monsoon 강수량 예측에서 전통적인 1D-CNN 및 MLP 모델보다 우수한 성능을 보일 수 있는가?
• RQ2 모델은 라지스탄의 다양한 지리적 지역(건조지역, 산악지역, 평야지역 포함)에서 어떻게 성능을 발휘하는가?
• RQ3 격자형 IMD 데이터와 점 기반 강우계측기 데이터를 융합하면 예측의 강건성과 정확도가 향상되는가?
• RQ4 DWMRPM 모델은 현장 수준 및 격자형 데이터셋 양쪽에서 기준 모델 대비 상대적인 성능이 어떻게 되는가?
• RQ5 모델은 라지스탄의 다양한 강수량 제도와 공간 척도에서 효과적으로 일반화될 수 있는가?

주요 결과

• WRD 계측기 데이터셋에서 DWMRPM은 총 RMSE 9.9637과 MAE 7.2052를 기록하여 MLP(RMSE: 10.2014, MAE: 7.0106) 및 1D-CNN(RMSE: 11.8901, MAE: 7.9931)을 모두 능가했다.
• IMD 격자형 데이터셋에서 DWMRPM은 총 RMSE 9.0598과 MAE 4.2830을 기록하여 MLP(RMSE: 11.5009, MAE: 8.4529) 및 1D-CNN(RMSE: 9.5039, MAE: 4.6780)를 모두 초월했다.
• 6월에 DWMRPM은 IMD 데이터셋에서 RMSE 4.0239와 MAE 3.1371로 가장 우수한 성능을 보였으며, 1D-CNN(RMSE: 5.9660, MAE: 5.0429)보다 뚜렷하게 뛰어났다.
• 모델은 모든 monsoon 월(6월~9월)에서 일관된 성능을 보였으며, 두 데이터셋 모두에서 8월에 가장 낮은 오차 지표를 기록했다.
• 시각적 비교(그림 6 및 7)에서는 DWMRPM이 사막, 산악, 평야 지역을 포함한 다양한 지역에서 관측된 강수량 추세를 잘 따라가며 강력한 일반화 능력을 보였다.
• 모델는 지역 강수량 변동성을 정확히 포착했으며, 북서부 사막 지역 및 남동부 고원 지역과 같은 극한 기후 지역에서도 정확한 예측을 성공적으로 수행했다.