[논문 리뷰] Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks

Rüdiger Brecht, Alex Bihlo|arXiv (Cornell University)|2022. 05. 18.

Meteorological Phenomena and Simulations참고 문헌 32인용 수 34

한 줄 요약

이 논문은 단일 결정론적 500 hPa 기압면 높이 예보에서 직접적으로 앙상블 산란을 예측하기 위해 조건부 생성 적대 신경망(cGANs)을 사용하는 것을 제안한다. 이는 비용이 많이 드는 앙상블 실행을 회피하기 위한 것이다. 이 방법은 pix2pix 아키텍처를 3D 공간-시간 데이터에 적응시켜, 기후학적 및 지속성 기반선보다 유의미하게 낮은 RMSE와 높은 SSIM을 달성한다. 또한 모델 평균화를 통해 정확도가 더욱 향상된다.

ABSTRACT

Ensemble prediction systems are an invaluable tool for weather forecasting. Practically, ensemble predictions are obtained by running several perturbations of the deterministic control forecast. However, ensemble prediction is associated with a high computational cost and often involves statistical post-processing steps to improve its quality. Here we propose to use deep-learning-based algorithms to learn the statistical properties of an ensemble prediction system, the ensemble spread, given only the deterministic control forecast. Thus, once trained, the costly ensemble prediction system will not be needed anymore to obtain future ensemble forecasts, and the statistical properties of the ensemble can be derived from a single deterministic forecast. We adapt the classical pix2pix architecture to a three-dimensional model and also experiment with a shared latent space encoder-decoder model, and train them against several years of operational (ensemble) weather forecasts for the 500 hPa geopotential height. The results demonstrate that the trained models indeed allow obtaining a highly accurate ensemble spread from the control forecast only.

연구 동기 및 목표

• 다수의 NWP 실행을 대체하여 단일 결정론적 예보를 통해 앙상블 기상 예보의 계산 비용을 줄이기 위해.
• 딥 러닝을 사용하여 결정론적 제어 실행에서 앙상블 예보의 통계적 산란을 직접 학습하기 위해.
• 전체 앙상블 시스템을 실행하지 않고도 정확하고 고해상도의 앙상블 산란 추정치를 생성함으로써 예보 불확실성 정량화를 향상시키기 위해.
• 딥 러닝이 제한된 운영 앙상블 데이터에서 대기 변동성 및 산란 패턴을 효과적으로 포착할 수 있는지 조사하기 위해.
• 운영 기상학에서 전통적인 앙상블 예측 시스템의 대체 수단으로 cGANs의 잠재력을 탐색하기 위해.

제안 방법

• 결정론적 예보에서 앙상블 산란으로의 쌍체 영상-영상 번역을 위해 2D pix2pix 조건부 GAN 아키텍처를 3D 공간-시간 데이터에 적응시키기 위해.
• 2010~2020년 사이의 운영 ECMWF IFS 데이터 10년치를 사용하여 0.5° 해상도에서 3D pix2pix3D 모델을 훈련시키며, 500 hPa 기압면 높이를 입력으로, 앙상블 산란을 출력으로 사용한다.
• 성능 비교 및 일반화 향상을 위해 공유 잠재 공간 인코더-디코더 아키텍처를 갖춘 보조 모델을 구현한다.
• 다양하게 훈련된 네트워크 간 몽테카를로 드롭아웃 및 모델 평균화를 적용하여 안정성 향상 및 진동 행동 감소를 도모한다.
• 공간적 및 시간적 일관성을 확보하기 위해 U-Net 기반 생성자와 3D PatchGAN 판별자를 사용한 조건부 GAN 프레임워크를 사용한다.
• 생성된 앙상블 산란의 충실도와 현실성의 균형을 확보하기 위해 생성 적대 손실, L1 손실 및 인지 유사도(SSIM)를 최적화한다.

실험 결과

연구 질문

• RQ1 결정론적 예보에서만 훈련된 딥 러닝 모델이 운영 앙상블 시스템의 통계적 산란을 정확하게 재구성할 수 있는가?
• RQ2 3D 조건부 GAN의 성능은 기후학적 및 지속성 기반선과 비교해 앙상블 산란 예측에서 어떻게 다른가?
• RQ3 모델 평균화 또는 몽테카를로 드롭아웃은 예측된 앙상블 산란의 신뢰성과 정확도를 향상시키는가?
• RQ4 실제로 운영 시스템에서 흔히 과소 산란되는 것과는 달리, 모델이 진정한 대기 변동성을 어느 정도 포착하는가?
• RQ5 단일 결정론적 예보로도 다수의 시뮬레이션을 실행하지 않고도 운영 기준을 충족하는 현실적인 고해상도 앙상블 산란을 생성할 수 있는가?

주요 결과

• 3D pix2pix3D 모델은 테스트 세트에서 RMSE 39.850과 평균 SSIM 0.789을 기록하였으며, 기후학적 기반선(RMSE: 51.747, SSIM: 0.722) 및 지속성 기반선(RMSE: 53.184, SSIM: 0.700)보다 유의미하게 뛰어나다.
• 다양하게 훈련된 네트워크 간 모델 평균화로 인해 RMSE는 35.075로 감소하고 SSIM은 0.831로 상승하여, 더 높은 안정성과 진동 행동 감소가 확인되었다.
• 몽테카를로 드롭아웃 적용으로 성능이 추가로 향상되어 RMSE 38.773과 SSIM 0.807을 기록하여, 더 나은 불확실성 정량화가 가능함을 시사한다.
• 예측된 앙상블 산란은 실제 값보다 略적으로 더 크며, 이는 실제로 운영 시스템에서 흔히 과소 평가되는 진정한 대기 변동성을 보다 잘 포착할 수 있음을 시사한다.
• 오슬로, 시앤틀, 케이프타운 등의 도시에서의 시각적 비교를 통해 pix2pix3D 모델이 기반선 대비 더 현실적이고 역학적으로 일관된 산란 패턴을 생성했으며, 특히 후속 예보 단계에서 뚜렷한 우수성을 보였다.
• 결과적으로 딥 러닝 기반 모델이 결정론적 예보에서만 학습하여도 대기 불확실성의 복잡한 공간-시간 통계적 의존성을 효과적으로 학습할 수 있음을 시사한다.