[논문 리뷰] A Learning Framework for An Accurate Prediction of Rainfall Rates

Hamidreza Ghasemi Damavandi, Reepal Shah|arXiv (Cornell University)|2019. 01. 17.

Precipitation Measurement and Analysis참고 문헌 11인용 수 3

한 줄 요약

이 연구는 기후 변수를 사용하여 인두 강 유역의 월간 강수량을 예측하기 위해 기울기 부스팅을 활용한 기계 학습 프레임워크를 제안한다. 특히 랜덤 포레스트를 포함한 다중 회귀 모델을 사용한다. 랜덤 포레스트 모델이 가장 높은 피어슨 상관계수와 가장 낮은 평균 절대 오차를 기록했으며, 상대 습도(300 mb, 150 mb), u-바람(700 mb), 공기 온도(150 mb, 10 mb)가 가장 예측력 있는 특징으로 규명되었다.

ABSTRACT

The present work is aimed to examine the potential of advanced machine learning strategies to predict the monthly rainfall (precipitation) for the Indus Basin, using climatological variables such as air temperature, geo-potential height, relative humidity and elevation. In this work, the focus is on thirteen geographical locations, called index points, within the basin. Arguably, not all of the hydrological components are relevant to the precipitation rate, and therefore, need to be filtered out, leading to a lower-dimensional feature space. Towards this goal, we adopted the gradient boosting method to extract the most contributive features for precipitation rate prediction. Five state-of-the-art machine learning methods have then been trained where pearson correlation coefficient and mean absolute error have been reported as the prediction performance criteria. The Random Forest regression model outperformed the other regression models achieving the maximum pearson correlation coefficient and minimum mean absolute error for most of the index points. Our results suggest the relative humidity (for pressure levels of 300 mb and 150 mb, respectively), the u-direction wind (for pressure level of 700 mb), air temperature (for pressure levels of 150 mb and 10 mb, respectively) as the top five influencing features for accurate forecasting the precipitation rate.

연구 동기 및 목표

• 인두 강 유역에서 월간 강수량 예측을 정확하게 수행하기 위한 데이터 기반 기계 학습 프레임워크를 개발한다.
• 기온, 습도, 바람, 지면 높이와 같은 기후 변수 중에서 가장 영향력 있는 수문학적 예측 변수를 규명한다.
• 피어슨 상관계수와 평균 절대 오차를 평가 지표로 사용하여 다섯 가지 최첨단 기계 학습 모델의 성능을 비교한다.
• 기울기 부스팅 기반 특징 선택을 통해 관련이 없는 수문학적 구성요소를 걸러내어 특징 차원을 감소시킨다.
• 기존 물리 기반 수문 모델에 대한 계산 효율성이 뛰어난 대안을 제공한다.

제안 방법

• 기후 예측 변수로 1981–2017년 기간 동안 2.5° 해상도의 NCEP-NCAR 재분석 데이터와 0.05° 해상도의 CHIRPS v2 강수량 데이터를 사용하였다.
• 각 수문학적 변수(예: 상대 습도, 바람 성분)를 서로 다른 기압 수준에서 개별 예측 변수로 간주하여 총 85개의 고유한 특징을 추출하였다.
• 기울기 부스팅을 적용하여 인두 강 유역의 13개 색인 지점에서 강수량 예측에 기여도가 높은 특징을 순위 매겼다.
• 학습 데이터의 90%를 사용하여 다섯 가지 기계 학습 모델—랜덤 포레스트, XGBoost, LightGBM, SVM, ANN—을 훈련하고, 나머지 10%는 테스트용으로 확보하였다.
• 교차 검증을 통해 하이퍼파라미터를 최적화하고, 피어슨 상관계수 계수와 평균 절대 오차(MAE)를 사용하여 모델 성능을 평가하였다.
• 색인 지점 전반에서의 선택 빈도를 기반으로 특징 중요도 분석을 수행하여 최상위 예측 변수를 규명하였다.

실험 결과

연구 질문

• RQ1 기후 변수를 사용하여 인두 강 유역의 월간 강수량 예측에서 가장 우수한 성능을 보이는 기계 학습 모델은 무엇인가?
• RQ2 기온, 습도, 바람, 지면 높이 중에서 다양한 대기 기압 수준에서 강수량 예측에 가장 예측력 있는 수문학적 특징은 무엇인가?
• RQ3 기울기 부스팅은 강수량 예측의 특징 공간을 줄이고 정확도를 향상시키는 데 얼마나 효과적인가?
• RQ4 특정 대기 변수(예: 300 mb에서의 상대 습도, 700 mb에서의 u-바람)의 상대 기여도는 무엇인가?
• RQ5 데이터 기반 모델은 정확도와 계산 효율성 측면에서 기존 물리 기반 모델을 능가할 수 있는가?

주요 결과

• 랜덤 포레스트 회귀 모델이 모든 다른 모델보다 뛰어난 성능을 보였으며, 대부분의 13개 색인 지점에서 가장 높은 피어슨 상관계수와 가장 낮은 평균 절대 오차를 기록했다.
• 300 mb와 150 mb 기압 수준에서의 상대 습도가 각각 11개와 8개의 모델에서 가장 자주 상위 예측 변수로 선택되어 가장 높은 기여도를 보였다.
• 700 mb 기압 수준에서의 u-방향 바람은 8개 색인 지점에서 상위 특징으로 선정되어 강력한 예측 관련성을 보였다.
• 150 mb와 10 mb 기압 수준에서의 공기 온도는 상위 다섯 개의 영향력 있는 특징 중 하나로, 각각 7개와 6개의 모델에서 선택되었다.
• 특징 선택의 빈도 분석 결과, rh^l1(1000 mb에서의 상대 습도)이 가장 우세한 예측 변수로 나타나 11개 색인 지점에서 등장했다.
• 다양한 기압 수준에서의 상대 습도, u-바람, 공기 온도 조합이 정확한 강수량 예측을 위한 가장 정보량이 많은 특징 세트로 일관되게 나타났다.