[논문 리뷰] Climate Downscaling: A Deep-Learning Based Super-resolution Model of Precipitation Data with Attention Block and Skip Connections

Chia-Hao Chiang, Zheng-Han Huang외 7명|arXiv (Cornell University)|2024. 03. 26.

Cryospheric studies and observations인용 수 6

한 줄 요약

이 논문은 잔차 주의(attention) 블록, 스킵 연결 및 보조 지형 데이터와 함께 깊은 CNN 아키텍처를 제시하여 대만에서 이질적 강수 데이터(ERA5에서 TCCIP으로)를 다운스케일하고 다수의 지표에서 대안 방법보다 우수한 성능을 보입니다.

ABSTRACT

Human activities accelerate consumption of fossil fuels and produce greenhouse gases, resulting in urgent issues today: global warming and the climate change. These indirectly cause severe natural disasters, plenty of lives suffering and huge losses of agricultural properties. To mitigate impacts on our lands, scientists are developing renewable, reusable, and clean energies and climatologists are trying to predict the extremes. Meanwhile, governments are publicizing resource-saving policies for a more eco-friendly society and arousing environment awareness. One of the most influencing factors is the precipitation, bringing condensed water vapor onto lands. Water resources are the most significant but basic needs in society, not only supporting our livings, but also economics. In Taiwan, although the average annual precipitation is up to 2,500 millimeter (mm), the water allocation for each person is lower than the global average due to drastically geographical elevation changes and uneven distribution through the year. Thus, it is crucial to track and predict the rainfall to make the most use of it and to prevent the floods. However, climate models have limited resolution and require intensive computational power for local-scale use. Therefore, we proposed a deep convolutional neural network with skip connections, attention blocks, and auxiliary data concatenation, in order to downscale the low-resolution precipitation data into high-resolution one. Eventually, we compare with other climate downscaling methods and show better performance in metrics of Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Pearson Correlation, structural similarity index (SSIM), and forecast indicators.

연구 동기 및 목표

• 강한 기후 강제성과 데이터 이질성이 존재하는 지역에서 고해상도 강수 다운스케일의 필요성을 제시한다.
• 편향을 보정하고 저해상도 입력으로부터 고해상도 강수를 산출할 수 있는 심층 학습 아키텍처를 개발한다.
• 하향 스케일 정확도를 향상시키기 위해 보조 지형 데이터를 통합한다.
• 성능 향상을 입증하기 위해 제안된 방법을 통계적 및 기계 학습 기반 라인과 비교한다.

제안 방법

• 저해상도 입력을 고해상도 특징 맵으로 변환하기 위해 연쇄적 컨볼루션 바이어스 보정 백본을 사용한다.
• 잔차 학습을 용이하게 하고 다단계 특징 맵을 융합하기 위해 스킵 연결을 도입한다.
• 학습 중 채널 및 공간 특징을 강조하기 위해 CBAM 기반의 잔차 주의 블록을 통합한다.
• 픽셀 셔플을 이용한 한 단계 이미지 업스케일링 레이어를 적용하고, 인위적 왜곡을 줄이기 위한 보정 컨볼루션을 뒤따른다.
• 처리된 특징에 보조 고도/지형 데이터를 융합하여 강수 다운스케일 정확도를 향상시킨다.
• ERA5를 입력으로 하고 TCCIP 관측치를 정답으로 하는 MSE 손실로 감독 학습을 통해 엔드투엔드로 학습한다.

실험 결과

연구 질문

• RQ1 잔차 주의와 스킵 연결이 있는 심층 CNN이 ERA5의 이질적 강수 데이터를 고해상도 관측값으로 효과적으로 다운스케일할 수 있는가?
• RQ2 대만과 같이 강한 기후 강제가 있는 지역에서 지형 보조 데이터의 통합이 다운스케일 성능을 향상시키는가?
• RQ3 제안된 모델이 여러 평가 지표에서 통계적 다운스케일링 및 다른 ML/DL 기후 다운스케일링 방법과 어떻게 비교되는가?

주요 결과

• 제안된 모델은 MAE, RMSE, 피어슨 상관계수, SSIM 등을 포함한 다수의 지표에서 기준선 대비 우수한 다운스케일 성능을 보인다.
• 이 아키텍처는 이질적인 데이터 쌍과 강한 지역적 강제에 대처하도록 특별히 설계되어 편향 보정을 개선한다.
• 지형 데이터 융합이 더 높은 품질의 다운스케일된 강수 출력에 기여한다.
• 본 연구에서 YNet, FSRCNN-ESM, DeepSD, QM, BCSD 등과 같은 방법들과 비교하여 질적 및 양적 결과가 우수함을 보인다.
• 대만 전역에서 ERA5 입력과 TCCIP의 일일 강수 타깃으로 학습한 결과, 입력 대 출력 스케일링 계수가 작아도 효과적인 다운스케일링이 나타난다.