[논문 리뷰] A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts

Lucy Harris, Andrew T. T. McRae외 3명|arXiv (Cornell University)|2022. 04. 05.

Meteorological Phenomena and Simulations인용 수 13

한 줄 요약

이 논문은 GAN과 VAE-GAN을 사용하여 영국 지역의 저해상도 글로벌 weahter 예보 강수 데이터를 10배 높은 해상도로 확대하는 생성적 딥러닝 프레임워크를 제안한다. 고해상도 레이더 관측 자료를 참조로 사용한다. 이 방법은 공간적으로 일관되고 통계적으로 정확한 강수 예보 앙상블을 생성하며, 픽셀 단위 및 풀드된 CRPS 점수, 파wer 스펙트럼 일치도, 校정성에서 최신의 점별 확대 방법을 능가한다.

ABSTRACT

Despite continuous improvements, precipitation forecasts are still not as accurate and reliable as those of other meteorological variables. A major contributing factor to this is that several key processes affecting precipitation distribution and intensity occur below the resolved scale of global weather models. Generative adversarial networks (GANs) have been demonstrated by the computer vision community to be successful at super-resolution problems, i.e., learning to add fine-scale structure to coarse images. Leinonen et al. (2020) previously applied a GAN to produce ensembles of reconstructed high-resolution atmospheric fields, given coarsened input data. In this paper, we demonstrate this approach can be extended to the more challenging problem of increasing the accuracy and resolution of comparatively low-resolution input from a weather forecasting model, using high-resolution radar measurements as a "ground truth". The neural network must learn to add resolution and structure whilst accounting for non-negligible forecast error. We show that GANs and VAE-GANs can match the statistical properties of state-of-the-art pointwise post-processing methods whilst creating high-resolution, spatially coherent precipitation maps. Our model compares favourably to the best existing downscaling methods in both pixel-wise and pooled CRPS scores, power spectrum information and rank histograms (used to assess calibration). We test our models and show that they perform in a range of scenarios, including heavy rainfall.

연구 동기 및 목표

• 글로벌 기상 모델의 강수 예보 해상도를 향상시키고 정확도를 높이기 위해, 격자 간격이 넓고(10–80 km), 소규모 과정을 잘 표현하지 못하는 문제를 해결한다.
• 예측 불확실성을 반영하고 관측된 통계적 성질과 일치하는 공간적으로 일관된 고해상도 강수 예보 앙상블을 생성한다.
• 특히 극단적인 강우 사건에서 모델 오차로 인해 예보 데이터와 참조 데이터가 정렬되지 않을 때 발생하는 확대 문제를 해결한다.
• 생성적 적대 신경망이 기존의 점별 후처리 방법보다 해상도와 校정성 측면에서 뛰어나다는 것을 입증한다.
• 복잡한 지형과 해안 영향이 있는 지역에서 극단적인 강우에 대한 더 신뢰할 수 있는 영향 예측을 가능하게 한다.

제안 방법

• 조건부 생성적 적대 신경망(cGAN)을 사용하여, NIMROD 레이더 관측 자료를 기준으로 하여 저해상도 ECMWF IFS 예보 필드를 고해상도 강수 필드로 매핑한다.
• 모델은 U-Net 기반 생성기와 PatchGAN 판별기를 사용하여 세밀한 공간적 구조를 학습하면서도 대규모 기상 특징을 유지한다.
• 잠재 공간의 정규화를 향상시키고 샘플의 다양성과 校정성을 높이기 위해 VAE-GAN 변형을 적용한다.
• 정적 필드(예: 고도, 육해구분 마스크)를 추가 입력 채널로 사용하여 공간적 현실감을 유도한다.
• 손실 함수로는 적대적 손실, 인지적 손실(VGG 기반), L1/L2 복원 손실을 포함하여 정확성과 현실감을 균형 있게 조절한다.
• 다양한 노이즈 벡터로 훈련된 생성기를 샘플링하여 앙상블 예보를 생성함으로써 가능한 고해상도 강수 필드의 확률적 실현을 도출한다.

실험 결과

연구 질문

• RQ1 GAN 기반 접근법이 공간 일관성을 유지하면서도 저해상도 글로벌 기상 모델의 강수 예보를 10배 높은 해상도로 효과적으로 확대할 수 있는가?
• RQ2 CRPS, 파워 스펙트럼, 校정성 측면에서 GAN 기반 확대 방법이 최신의 점별 후처리 기법보다 어떻게 성능이 뛰어나게 되는가?
• RQ3 IFS 모델과 NIMROD 레이더 자료 간의 예측 오차가 모델 성능에 얼마나 큰 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ4 극단적인 강우 사건과 같은 도전적인 상황에서도 모델이 신뢰할 수 있고 잘 校정된 앙상블을 생성할 수 있는가?
• RQ5 표준 GAN에 비해 VAE-GAN 아키텍처를 사용할 경우 샘플의 다양성과 校정성이 얼마나 향상되는가?

주요 결과

• GAN 및 VAE-GAN 모델은 최고의 점별 확대 방법(ecPoint)보다 낮은 풀드된 CRPS(0.0856 mm/hr)와 픽셀 단위 CRPS를 기록하여 더 뛰어난 예측 정확도를 입증한다.
• 모델은 관측 자료와 유사한 파wer 스펙트럼 특성을 가지며, 스펙트럼 일치도 측면에서 ecPoint를 능가한다.
• 랭크 히스토GRAM은 GAN 기반 앙상블이 극단적인 사건 동안에도 잘 校정되어 있음을 보여주며, 明확한 校정 오차가 없다.
• CRPS 및 校정성 지표 측면에서 ecPoint를 뛰어넘는 성능을 보이며, 생성 모델이 기존의 통계적 후처리 방법을 능가할 수 있음을 입증한다.
• 예보 오차가 없는 NIMROD에서 NIMROD로의 훈련(예보 오차 제거)을 수행한 경우, CRPS는 0.0230 mm/hr로 크게 감소하여, 예보-모델 정렬 오차가 주요 성능 저하 요인임을 확인한다.
• 이 방법은 강우량이 많은 상황을 포함한 다양한 시나리오에서 현실적이고 공간적으로 일관된 고해상도 강수 필드를 성공적으로 생성한다.