[논문 리뷰] Data Assimilation by Artificial Neural Networks for an Atmospheric General Circulation Model: Conventional Observation

Rosângela Cintra, Haroldo Fraga de Campos Velho|arXiv (Cornell University)|2014. 07. 16.

Meteorological Phenomena and Simulations참고 문헌 20인용 수 7

한 줄 요약

이 논문은 SPEEDY 대기일반순환모델에서 데이터 통합을 위해 국소집단전환칼만필터(LETKF)를 모의하기 위해 다층퍼셉트론 신경망(MLP-NN)을 사용하는 것을 제안한다. 합성 전통 관측자료를 기반으로 훈련된 MLP-NN은 LETKF와 유사한 분석 정확도를 달성하면서도 계산 시간을 90배 감소시켜 운영 기상 예측 시스템에 매우 효율적인 대안을 제시한다.

ABSTRACT

This paper presents an approach for employing artificial neural networks (NN) to emulate an ensemble Kalman filter (EnKF) as a method of data assimilation. The assimilation methods are tested in the Simplified Parameterizations PrimitivE-Equation Dynamics (SPEEDY) model, an atmospheric general circulation model (AGCM), using synthetic observational data simulating localization of balloon soundings. For the data assimilation scheme, the supervised NN, the multilayer perceptrons (MLP-NN), is applied. The MLP-NN are able to emulate the analysis from the local ensemble transform Kalman filter (LETKF). After the training process, the method using the MLP-NN is seen as a function of data assimilation. The NN were trained with data from first three months of 1982, 1983, and 1984. A hind-casting experiment for the 1985 data assimilation cycle using MLP-NN were performed with synthetic observations for January 1985. The numerical results demonstrate the effectiveness of the NN technique for atmospheric data assimilation. The results of the NN analyses are very close to the results from the LETKF analyses, the differences of the monthly average of absolute temperature analyses is of order 0.02. The simulations show that the major advantage of using the MLP-NN is better computational performance, since the analyses have similar quality. The CPU-time cycle assimilation with MLP-NN is 90 times faster than cycle assimilation with LETKF for the numerical experiment.

연구 동기 및 목표

• 대기 모델링에서 LETKF와 같은 엔semble 기반 데이터 통합 방법에 대한 계산 비용이 낮은 대안을 개발하기 위해.
• 훈련된 인공신경망이 대기 상태 추정을 위한 LETKF의 분석 출력을 정확하게 모의할 수 있는지 평가하기 위해.
• 대규모 수치 기상 예측 모델에서 전통적인 데이터 통합의 높은 계산 비용을 줄이기 위해.
• 비선형 역학계에서 복잡한 칼만 필터 알고리즘을 대체하기 위해 감독 학습 기반 신경망을 사용할 수 있는지의 가능성을 평가하기 위해.
• 글로벌 대기 모델에서 운영용으로 사용 가능한 더 빠르고 확장 가능한 데이터 통합을 가능하게 하기 위해.

제안 방법

• 역사적 모델 예측과 합성 관측자료를 사용하여 MLP-NN을 LETKF 데이터 통합 과정을 모의하도록 훈련시킨다.
• 훈련 데이터셋은 SPEEDY AGCM의 1982–1984년 3개월치 자료로 구성되며, 입력 벡터는 모델 예측값(x^f)과 관측값(y^o)을 조합한다.
• 네트워크는 입력값(x^f, y^o)을 분석 필드(x^a)로 매핑하도록 훈련되어, 실제로 전체 데이터 통합 함수 F_NN를 학습한다.
• 훈련 후, MLP-NN은 반복적 필터링 단계 없이 새로운 예측값과 관측값을 처리하여 실시간으로 데이터 통합을 수행한다.
• MLP-NN 출력값과 LETKF 분석 필드 간의 차이를 최소화하기 위해 역전파를 사용한 감독 학습 방식을 사용한다.
• 성능 평가는 1985년 1월에 대해 합성 관측자료를 사용한 후기 예측 실험에서 MLP-NN과 LETKF의 분석 결과를 비교하여 평가한다.

실험 결과

연구 질문

• RQ1 피드포워드 신경망이 비선형 대기일반순환모델에서 LETKF의 분석 출력을 정확하게 모의할 수 있는가?
• RQ2 MLP-NN의 계산 성능는 데이터 통합 사이클에 대한 실행 시간 측면에서 LETKF와 비교해 어떻게 되는가?
• RQ3 MLP-NN이 생성한 분석 필드는 정확도와 공간적 구조 측면에서 LETKF의 결과와 어느 정도 일치하는가?
• RQ4 실시간 데이터 통합 환경에서 MLP-NN은 계산 비용을 크게 줄이면서도 높은 정확도를 유지할 수 있는가?
• RQ5 운영 기상 예측 시스템에 적용했을 때 MLP-NN 접근법의 확장성과 일반화 가능성이 어떠한가?

주요 결과

• MLP-NN의 분석 필드는 LETKF와 매우 유사하며, 월 평균 절대 온도 차이가 약 10^-2 K 수준이다.
• 전체 통합 사이클에 대해 MLP-NN은 LETKF 대비 총 실행 시간 기준으로 90배 빠른 성능 향상을 보였다.
• 분석 단계만 고려할 경우, MLP-NN은 LETKF 대비 421배 더 빠르며, 핵심 통합 단계에서의 효율성이 뚜렷하다.
• MLP-NN와 LETKF 분석 간의 지표면 기압 필드 차이는 ±5 hPa 이내로, 기상 필드에서 강한 일치를 보였다.
• MLP-NN은 LETKF 알고리즘의 복잡한 매핑을 성공적으로 학습하여, 계산 비용을 크게 줄였음에도 불구하고 동등한 품질의 분석 결과를 생성했다.
• 결과적으로, MLP-NN은 대기 모델에서 엔셈블 기반 데이터 통합을 위한 효과적이고 고성능의 서rogate로 활용될 수 있음을 확인했다.