[논문 리뷰] Calibrating the CAMS European multi-model air quality forecasts for regional air pollution monitoring

Gabriele Casciaro, Mattia Cavaiola외 1명|arXiv (Cornell University)|2022. 01. 31.

Air Quality Monitoring and Forecasting참고 문헌 31인용 수 29

한 줄 요약

이 연구는 이탈리아 리구리아 지역의 PM10, PM2.5, O3, NO2 및 CO에 대한 CAMS 다중모델 대기질 예측을 향상시키기 위해 Ensemble Model Output Statistics(EMOS) 기반의 동적 校정 전략(D-EMOS+4r)을 개발한다. 실시간 관측치를 통합함으로써 校정된 예측은 원시 CAMS 모델과 더 높은 해상도의 모델을 모두 뛰어넘는 성능을 보이며, 신뢰할 수 있는 불확실성 추정까지 제공함으로써 지역 대기_POLLUTION 조기경보 시스템을 강화한다.

ABSTRACT

The CAMS air quality multi-model forecasts have been assessed and calibrated for PM10, PM2.5, O3, NO2, and CO against observations collected by the Regional Monitoring Network of the Liguria region (northwestern Italy) in the years 2019 and 2020. The calibration strategy used in the present work has its roots in the well-established Ensemble Model Output Statistics (EMOS) through which a raw ensemble forecast can be accurately transformed into a predictive probability density function, with a simultaneous correction of biases and dispersion errors. The strategy also provides a calibrated forecast of model uncertainties. As a result of our analysis, the key role of pollutant real-time observations to be ingested in the calibration strategy clearly emerge especially in the shorter look-ahead forecast hours. Our dynamic calibration strategy turns out to be superior with respect to its analogous where real-time data are not taken into account. The best calibration strategy we have identified makes the CAMS multi-model forecast system more reliable than other raw air quality models running at higher spatial resolution which exploit more detailed information from inventory emission. We expect positive impacts of our research for identifying and set up reliable and economic air pollution early warning systems.

연구 동기 및 목표

• 이탈리아 리구리아 지역의 지역 대기오염 모니터링을 위한 CAMS 다중모델 대기질 예측의 정확성과 신뢰성을 향상시키기 위해.
• 실시간 관측치를 활용한 동적 校정이 정적 또는 관측 없음 전략에 비해 예측 성능을 향상시키는지 평가하기 위해.
• 더 높은 해상도, 더 높은 배출량 목록을 사용하는 모델에 비해 CAMS 다중모델 예측이 추가 가치를 제공하는지 평가하기 위해.
• 개선된 점 예측뿐만 아니라 신뢰할 수 있는 확률적 불확실성 추정까지 제공하는 校정 시스템을 개발하기 위해.
• 통계적 후처리를 통해 비용 효율적이고 안정적인 대기오염 조기경보 시스템 설계를 지원하기 위해.

제안 방법

• 원시 CAMS 집단 예측을 校정된 예측 확률밀도함수로 변환하기 위해 Ensemble Model Output Statistics(EMOS) 기반의 동적 校정 전략인 D-EMOS+4r를 적용한다.
• 2019–2020년 기간 동안 리구리아 주 지역 모니터링 네트워크에서 확보한 과거 관측 데이터를 사용해 校정 모델을 학습하고, 각 예측 단계에서 실시간 관측치를 수신한다.
• 시간에 따라 변화하는 편향 보정 및 산산개선 오차 조정을 EMOS를 통해 통합함으로써 예측의 신뢰성과 날카로움을 확보한다.
• 예측의 校정 및 신뢰성 평가를 위해 Probability Integral Transform(PIT) 및 Verification Rank(VR) 히스토GRAM을 사용한다.
• 대기예측 성능을 정량적으로 비교하기 위해 대칭화된 스킬 스코어(SS), 표준 오차 지표(NMAE, NBI, HH, C, ∆)를 활용한다.
• 개별 CAMS 모델 구성원 및 집단 중앙값/평균을 평가하여 校정 시스템의 성능을 기준으로 삼는다.

실험 결과

연구 질문

• RQ1 리구리아와 같은 복잡한 지형적 특성을 지닌 지역에서, 동적 校정 전략이 CAMS 다중모델 대기질 예측의 신뢰성과 정확성을 뚜렷이 향상시킬 수 있는가?
• RQ2 교정 과정 중 실시간 관측 데이터 통합이 특히 단기 예측에서 성능 향상에 명백한 기여를 하는가?
• RQ3 더 높은 해상도를 가진 모델에 비해, 校정된 CAMS 시스템은 더 세밀한 배출량 목록을 사용하는가?
• RQ4 교정 방법이 동시에 편향을 보정하고 모델 불확실성의 신뢰할 수 있는 확률적 예측을 제공할 수 있는가?
• RQ5 동적 校정이 운영용 대기오염 조기경보 시스템에 대한 CAMS 예측의 유용성을 어느 정도 향상시키는가?

주요 결과

• D-EMOS+4r 동적 校정 전략은 원시 CAMS 예측과 지속성 예측을 뛰어넘는 성능을 보이며, 특히 예측 시간의 첫 24시간 동안 뚜렷한 우수성을 나타낸다.
• 교정된 CAMS 예측은 더 높은 해상도를 가진 모델보다도 더 높은 스킬을 확보했으며, 적절히 校정된 다중모델 집단 접근 방식의 내재적 강점을 입증한다.
• 실시간 관측치는 교정 과정에서 핵심적인 역할을 하며, 특히 단기 예측에서 편향 보정 및 불확실성 추정 향상으로 명백한 추가 가치를 제공한다.
• 교정된 시스템은 잘 校정된 확률적 예측을 제공하며, PIT 히스토GRAM은 균일성을 보이고, 신뢰성 지수 ∆는 거의 0에 가까워 예측의 校정을 확인한다.
• 대칭화된 스킬 스코어(SS) 분석 결과, 교정된 CAMS 시스템은 주요 지표에서 SS > 1을 확보하여 지속성 및 원시 높은 해상도 모델 대비 뛰어난 성능을 입증한다.
• 본 연구는 리구리아 지역에 대한 새로운 운영용 대기질 예측 시스템을 구축하였으며, 통계적 후처리를 통한 비용 효율적이고 고신뢰도의 조기경보 시스템 실현 가능성을 입증한다.