[논문 리뷰] Deep learning for improved global precipitation in numerical weather prediction systems

Manmeet Singh, Bipin Kumar외 5명|arXiv (Cornell University)|2021. 06. 20.

Meteorological Phenomena and Simulations참고 문헌 28인용 수 21

한 줄 요약

이 논문은 수치 기상 예측에서 전 세계 강수 예측을 향상시키기 위해 잔차 U-Net 아키텍처를 사용하는 딥러닝 기반 접근법을 제안한다. 입체구면(큐브드-스피어)로 투영된 재분석 데이터를 기반으로 훈련된 모델은 운영 중인 인도 기상청 모델 대비 이중의 격점 및 영역 평균 상관계수 기술을 달성하며, 기상 시스템 내 물리적 과정 표현 향상 잠재력을 입증한다.

ABSTRACT

The formation of precipitation in state-of-the-art weather and climate models is an important process. The understanding of its relationship with other variables can lead to endless benefits, particularly for the world's monsoon regions dependent on rainfall as a support for livelihood. Various factors play a crucial role in the formation of rainfall, and those physical processes are leading to significant biases in the operational weather forecasts. We use the UNET architecture of a deep convolutional neural network with residual learning as a proof of concept to learn global data-driven models of precipitation. The models are trained on reanalysis datasets projected on the cubed-sphere projection to minimize errors due to spherical distortion. The results are compared with the operational dynamical model used by the India Meteorological Department. The theoretical deep learning-based model shows doubling of the grid point, as well as area averaged skill measured in Pearson correlation coefficients relative to operational system. This study is a proof-of-concept showing that residual learning-based UNET can unravel physical relationships to target precipitation, and those physical constraints can be used in the dynamical operational models towards improved precipitation forecasts. Our results pave the way for the development of online, hybrid models in the future.

연구 동기 및 목표

• 수치 기상 예측 시스템에서 지속적인 편향을 해결하기 위해.
• 딥러닝이 강수 형성의 복잡한 물리적 관계를 모델링할 수 있는지 탐색하기 위해.
• 모니터링된 강수 영향 지역의 예측 정확도를 향상시키기 위한 데이터 기반, 물리적 정보 기반 모델을 개발하기 위해.
• 학습된 물리적 제약 조건을 운영 동역학 모델에 통합할 수 있는 가능성을 입증하기 위해.
• 미래의 온라인 하이브리드 기상 예측 시스템을 위한 기초를 마련하기 위해.

제안 방법

• 대기 변수로부터 전 세계 강수를 모델링하기 위해 잔차 학습을 적용한 U-넷 컨볼루션 신경망을 사용한다.
• 전 세계 모델링에서 구면 왜곡을 줄이기 위해 데이터를 입체구면 격자에 투영한다.
• 전 세계 대기 조건 및 관측된 강수량을 포함한 재분석 데이터셋을 기반으로 모델을 훈련한다.
• 격점 및 영역 평균 수준에서 피어슨 상관계수를 사용하여 모델 성능을 평가한다.
• 인도 기상청이 운영하는 동역학 모델과 기계학습 모델을 비교한다.
• 아키텍처는 강수 형성의 공간적·시간적 의존성에 대한 엔드 투 엔드 학습을 가능하게 한다.

실험 결과

연구 질문

• RQ1 재분석 데이터를 기반으로 훈련된 딥러닝 모델이 운영 동역학 모델에 비해 전 세계 강수 예측 정확도를 향상시킬 수 있는가?
• RQ2 잔차 학습을 적용한 U-넷이 강수 형성의 물리적 관계를 어느 정도 잘 포착할 수 있는가?
• RQ3 입체구면 투영 사용이 전 세계 강수 모델링에서 모델 성능에 어떤 영향을 미치는가?
• RQ4 딥러닝 모델의 상관계수 기술 향상 수준은 운영 시스템 대비 얼마나 되는가?
• RQ5 데이터에서 학습된 물리적 관계를 활용하여 전통적인 수치 기상 예측 시스템을 향상시킬 수 있는가?

주요 결과

• 딥러닝 모델은 운영 동역학 모델 대비 격점 상관계수 기술을 두 배로 향상시켰다.
• 제안된 모델의 영역 평균 상관계수 기술도 운영 시스템 대비 두 배로 향상되었다.
• 모델은 전 세계 강수의 공간적·시간적 패턴을 포착하는 데 있어 뚜렷한 향상이 있었다.
• U-넷 아키텍처에 잔차 학습을 적용함으로써 특징 학습 능력과 모델 안정성이 향상되었다.
• 결과는 데이터 기반 딥러닝 모델이 강수 형성의 복잡한 물리적 과정을 효과적으로 학습하고 표현할 수 있음을 시사한다.
• 학습된 물리적 제약 조건을 향후 하이브리드 수치-머신러닝 기상 예측 시스템에 통합하는 데 대한 개념 증명을 수립했다.