[논문 리뷰] A Deep-learning Real-time Bias Correction Method for Significant Wave Height Forecasts in the Western North Pacific

Wei Zhang, Yu Sun외 6명|arXiv (Cornell University)|2023. 11. 25.

Hydrological Forecasting Using AI참고 문헌 42인용 수 5

한 줄 요약

이 연구는 서태평양 지역에서 ECMWF-IFS의 현장에서 실시간으로 주요 파고(SWH) 예측을 보정하기 위해 궤적 게이트형 순환단위를 기반으로 한 시공간 딥러닝 모델을 제안한다. 이 방법은 새로운 픽셀 스위치 손실 함수를 사용하여 파랑 및 바람장 입력을 동시에 활용하며, 봄에는 최대 46.237%까지 평균 절대 오차를 감소시키고, 겨울에는 38.953%까지 감소시켜 계절 및 기상 조건에 관계없이 뛰어난 안정성을 입증한다.

ABSTRACT

Significant wave height is one of the most important parameters characterizing ocean waves, and accurate numerical ocean wave forecasting is crucial for coastal protection and shipping. However, due to the randomness and nonlinearity of the wind fields that generate ocean waves and the complex interaction between wave and wind fields, current forecasts of numerical ocean waves have biases. In this study, a spatiotemporal deep-learning method was employed to correct gridded SWH forecasts from the ECMWF-IFS. This method was built on the trajectory gated recurrent unit deep neural network,and it conducts real-time rolling correction for the 0-240h SWH forecasts from ECMWF-IFS. The correction model is co-driven by wave and wind fields, providing better results than those based on wave fields alone. A novel pixel-switch loss function was developed. The pixel-switch loss function can dynamically fine-tune the pre-trained correction model, focusing on pixels with large biases in SWH forecasts. According to the seasonal characteristics of SWH, four correction models were constructed separately, for spring, summer, autumn, and winter. The experimental results show that, compared with the original ECMWF SWH predictions, the correction was most effective in spring, when the mean absolute error decreased by 12.972~46.237%. Although winter had the worst performance, the mean absolute error decreased by 13.794~38.953%. The corrected results improved the original ECMWF SWH forecasts under both normal and extreme weather conditions, indicating that our SWH correction model is robust and generalizable.

연구 동기 및 목표

• 비선형 바람장과 파랑-바람 상호작용으로 인해 지속적으로 발생하는 수치적 주요 파고(SWH) 예측 편향을 해결하기 위해.
• 서태평양 지역의 ECMWF-IFS에서 생성된 격자형 SWH 예측을 실시간으로 보정하는 시공간 딥러닝 모델을 개발하기 위해.
• 데이터 기반 편향 보정을 통해 일반 및 극한 기상 조건 하에서도 예측 정확도를 향상시키기 위해.
• 봄, 夏, 가을, 겨울에 맞는 시즌별 보정 모델을 구축하여 모델의 일반화 능력을 향상시키기 위해.

제안 방법

• 시공간적 의존성을 모델링하기 위해 궤적 게이트형 순환단위(tGRU) 딥 네트워크를 사용한다.
• 보정 모델은 파랑장과 바람장 모두에 의해 공동으로 구동되어 파랑장 전용 모델보다 성능 향상을 이룬다.
• 예측 편향이 큰 픽셀에 집중적으로 훈련할 수 있도록 동적으로 작용하는 새로운 픽셀 스위치 손실 함수를 도입한다.
• 파랑 기상 및 예측 오차 패턴의 계절적 변동성을 반영하기 위해 각 계절별로 별도의 보정 모델 4개를 훈련시킨다.
• 실시간 윈도우 보정을 통해 0–240시간 예측에 대응하며, 운영적 적용이 가능하도록 한다.
• 예측 편향 분포의 변화에 적응하기 위해 픽셀 스위치 손실 함수를 사용해 사전 훈련된 모델을 미세조정한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 서태평양 지역에서 ECMWF-IFS의 주요 파고(SWH) 예측 편향을 효과적으로 줄일 수 있는가?
• RQ2 파랑장 외에 바람장까지 포함시키면 파랑장 전용 모델 대비 SWH 편향 보정 정확도가 어떻게 향상되는가?
• RQ3 픽셀 스위치 손실 함수가 고편향 예측 픽셀의 보정 성능을 얼마나 향상시키는가?
• RQ4 파랑 기상의 계절적 변동성이 보정 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ5 제안된 보정 방법은 일반 조건뿐 아니라 극한 기상 조건에서도 안정적인가?

주요 결과

• 보정 모델은 봄 기간 동안 평균 절대 오차를 12.972%에서 46.237%까지 감소시켜 편향 보정에 가장 효과적인 계절임을 입증했다.
• 성능이 가장 열악했던 겨울 기간에도 평균 절대 오차가 13.794%에서 38.953%까지 감소하였다.
• 일반 및 극한 기상 조건 모두에서 모델의 안정성과 일반화 능력이 입증되었다.
• 모델에 바람장 정보를 통합함으로써 파랑장 전용 기준선 대비 보정 정확도가 향상되었다.
• 픽셀 스위치 손실 함수는 고편향 예측 픽셀의 오차를 효과적으로 타겟팅하여 모델 정밀도를 향상시켰다.
• 시즌별 모델이 단일 통합 모델보다 우수한 성능을 보이며, 편향 보정에서 계절 적응의 중요성을 확인했다.