[논문 리뷰] A modular framework for extreme weather generation

Bianca Zadrozny, Campbell Watson외 5명|arXiv (Cornell University)|2021. 02. 05.

Flood Risk Assessment and Management참고 문헌 17인용 수 7

한 줄 요약

이 논문은 기상 예측 작업을 상호 교환 가능한 구성 요소로 분리함으로써 현실적인 극단 기상 현상을 생성하기 위한 모듈러하고 기계 학습 기반의 프레임워크를 제안한다. 조건부 GAN이 일일 강수량 시계열을 효과적으로 생성할 수 있음을 입증하였으며, 기존 최고 수준의 확률적 기상 생성기와 유사한 성능을 보이며, 정상 조건에서는 약간의 우월성을 보이고, 극단적인 사건에서는 기존 생성기가 역으로 우세함을 보였다. 이는 역으로 역사적 데이터에서 재표본 추출하기 때문이었다.

ABSTRACT

Extreme weather events have an enormous impact on society and are expected to become more frequent and severe with climate change. In this context, resilience planning becomes crucial for risk mitigation and coping with these extreme events. Machine learning techniques can play a critical role in resilience planning through the generation of realistic extreme weather event scenarios that can be used to evaluate possible mitigation actions. This paper proposes a modular framework that relies on interchangeable components to produce extreme weather event scenarios. We discuss possible alternatives for each of the components and show initial results comparing two approaches on the task of generating precipitation scenarios.

연구 동기 및 목표

• 기후 변화 상황에서 전통적인 확률적 기상 생성기가 극단 기상 현상을 현실적으로 시뮬레이션하는 데에 한계가 있음을 해결하기 위해.
• 최신 기계 학습 기법을 통합한 유연하고 모듈러한 프레임워크를 개발하여 극단 기상 시나리오 생성을 위해.
• 특히 GAN과 같은 딥 생성 모델의 성능을 기존에 널리 쓰이는 확률적 기상 생성기와 비교하여 현실적인 강수량 시계열 생성 능력을 평가하기 위해.
• 기후 회복력 계획 향상을 위해 계절 기상 예보를 제어 변수로 사용하여 기상 시나리오의 조건부 생성을 가능하게 하기 위해.
• 미래 기후 예측과 일치하는 2차원 격자형 다변량 기상 데이터를 위한 딥 생성 모델의 적용 가능성 탐색을 위해.

제안 방법

• 프레임워크는 극단 기상 생성을 모듈러한 구성 요소로 분해한다: 데이터 입력, 극단 사건 탐지, 계절 기상 예보에 의한 조건화, 그리고 기계 학습 모델을 통한 기상 생성.
• 각 구성 요소에 대해 다양한 기계 학습 및 통계 모델을 상호 교환 가능하게 하는 모듈러하고 모델에 종속되지 않는 아키텍처를 사용한다.
• 조건부 GAN을 사용하여 일일 강수량 시퀀스를 생성하며, 극단 강수량 사건이 있는 월(95프리센트일치, 18.2 mm/일 초과)과 없는 월에 대해 별도의 모델을 훈련시켰다.
• 기준 비교를 위해 확률적 기상 생성기(weathergen)를 사용하였으며, 발생 여부에 대해 3상태 마르코프 체인, 강수량 강도에 대해 KNN 기반 재표본 추출, 연간 校정에 대해 ARIMA를 적용하였다.
• 미래 기후 예측과의 일관성을 확보하기 위해 계절 예보 공변량을 사용하여 생성 과정을 조건화하였다.
• 평가에서는 각 조건(극단적 월과 정상 월)에 대해 100개의 시나리오를 기반으로 시뮬레이션된 강수량 분포를 역사적 데이터와 비교하기 위해 QQ-플롯을 사용하였다.

실험 결과

연구 질문

• RQ1 모듈러하고 기계 학습 기반의 프레임워크는 역사적 데이터와 미래 기후 예측과 일치하는 현실적인 극단 기상 시나리오를 효과적으로 생성할 수 있는가?
• RQ2 조건부 GAN은 극단 사건에 특히 중점을 두고 일일 강수량 시계열을 시뮬레이션할 때 최고 수준의 확률적 기상 생성기와 비교해 어떻게 성능을 내는가?
• RQ3 GAN과 같은 딥 생성 모델이 역으로 역사적 데이터에서 재표본 추출에 의존하지 않고도 극단 강수량 사건의 통계적 특성을 얼마나 잘 포착할 수 있는가?
• RQ4 기후 예측에 기반한 계절 기상 예보 데이터를 제어 변수로 활용하여 미래 관련 기상 시나리오의 생성에 얼마나 효과적으로 통합할 수 있는가?
• RQ5 모듈러 설계가 향후 작업에서 다양한 기계 학습 모델과 다변량 격자형 기상 데이터를 활용한 확장 가능한 실험을 지원할 수 있는가?

주요 결과

• QQ-플롯을 통해 GAN이 역사적 분포와 매우 유사한 일일 강수량 시계열을 성공적으로 생성함을 확인하였으며, 이는 생성된 시퀀스의 높은 현실성과 일치함을 시사한다.
• 정상 월에서는 GAN이 역사적 강수량 분포를 기존 weathergen 확률적 모델보다 略적으로 더 잘 재현함을 보였다.
• 극단 강수량 사건이 있는 월에서는 weathergen 모델이 GAN을 능가하였으며, 이는 실제 역사적 극단 값에서 재표본 추출하는 방식에 기인한 것으로 보인다.
• 모듈러 프레임워크는 동일한 실험 조건에서 기계 학습 기반과 전통적 통계 기반 기상 생성기 간의 직접 비교를 가능하게 한다.
• 조건부 GAN은 향후 2차원 격자형 데이터와 다중 제어 변수와 함께 사용할 잠재력이 매우 높으며, 기후 회복력 응용 분야에서의 유연성을 제공한다.
• 프레임워크의 모듈러성은 모든 구성 요소에 최신 기계 학습 기법을 통합할 수 있도록 지원하며, 향후 확장 가능하고 조건부 극단 기상 시나리오 생성의 길을 열어준다.