[논문 리뷰] Deep learning for post-processing global probabilistic forecasts on sub-seasonal time scales

Nina Horat, Sebastian Lerch|arXiv (Cornell University)|2023. 06. 28.

Meteorological Phenomena and Simulations인용 수 5

한 줄 요약

이 논문은 ECMWF 예보 출력의 전역 공간 분야에 직접 작용하는 컨volutional 신경망(CNN) 기반 후처리 방법을 제안하여 주 3–6의 초기기후 예측의 확률적 기온 및 강수량 예측을 향상시킨다. 모델들은 공간적으로 일관되고 잘 校정된 3등분 예측을 생성하며, ECMWF 재예측 校정 및 기상기록 기반 기준선보다 유의미하게 뛰어난 성능을 보이며, 전 세계적으로 훈련된 UNet 아키텍처가 성능과 계산 효율성의 최적 균형을 제공한다.

ABSTRACT

Sub-seasonal weather forecasts are becoming increasingly important for a range of socio-economic activities. However, the predictive ability of physical weather models is very limited on these time scales. We propose several post-processing methods based on convolutional neural networks to improve sub-seasonal forecasts by correcting systematic errors of numerical weather prediction models. Our post-processing models operate directly on spatial input fields and are therefore able to retain spatial relationships and to generate spatially homogeneous predictions. They produce global probabilistic tercile forecasts for biweekly aggregates of temperature and precipitation for weeks 3-4 and 5-6. In a case study based on a public forecasting challenge organized by the World Meteorological Organization, our post-processing models outperform recalibrated forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF), and achieve improvements over climatological forecasts for all considered variables and lead times. We compare several model architectures and training modes and demonstrate that all approaches lead to skillful and well-calibrated probabilistic forecasts. The good calibration of the post-processed forecasts emphasizes that our post-processing models reliably quantify the forecast uncertainty based on deterministic input information in form of the ECMWF ensemble mean forecast fields only.

연구 동기 및 목표

• 초기기후 예측 모델의 예측 정확도가 주 3–6 기간에 한계를 보이는 문제를 해결하기 위해.
• 예측에서 공간적 관계를 유지하는 후처리 방법을 개발하여 격자 셀 기반 접근 방식의 한계를 극복하기 위해.
• 기온 및 강수량에 대해 전 세계적으로 일관된 확률적 3등분 예측(낮음, 평균, 높음)을 생성하기 위해.
• 전역 필드 기반과 국지적 패치 기반으로 훈련된 딥 러닝 모델의 성능을 비교하여, 校정성과 예측 능력에 중점을 두고 평가하기 위해.
• 확률적 예측의 정확도를 높이기 위해 결정론적 ECMWF 앙상블 평균 필드만을 사용하여 예측 불확실성을 신뢰성 있게 정량화할 수 있는지 입증하기 위해.

제안 방법

• 전역 UNet, 패치 기반 UNet, 스킵 연결이 있는 전역 U-Net, 주의 메커니즘을 통합한 패치 기반 U-Net의 네 가지 CNN 기반 후처리 아키텍처를 제안한다.
• 공간 오차 구조를 유지하기 위해 ECMWF 예보 변수(예: 기온, 강수량)의 전체 전역 공간 입력 필드에 직접 모델을 훈련시킨다.
• 지역 예측 품질 향상과 다양한 기후대에 걸친 일반화를 보장하기 위해 공간 가중 손실 함수를 사용한다.
• 학습된 비선형 변환을 통해 원시 모델 출력을 확률적 카테고리(낮음, 평균, 높음)로 매핑하는 3등분 확률 예측을 출력으로 사용한다.
• 공개된 ECMWF 재예측 자료를 입력으로 활용하여, WMO가 주관한 S2S AI 챌린지의 데이터를 활용해 모델을 훈련시킨다.
• 신뢰성도표, 순위 확률 스킬 스코어(RPSS), 校정 단순체를 활용하여 확률적 예측 품질을 평가한다.

실험 결과

연구 질문

• RQ1 전체 공간 분야에 기반한 딥 러닝 모델이 기존의 표준 재보정 방법에 비해 초기기후 확률 예측의 校정성과 예측 능력을 향상시킬 수 있는가?
• RQ2 전체 공간 분야를 직접 처리하는 방식이 격자 셀 기반 후처리에 비해 더 나은 공간 일관성과 오차 구조 학습을 가능하게 하는가?
• RQ3 초기기후 예측에서 UNet과 패치 기반 아키텍처 등의 다양한 CNN 아키텍처 간 예측 성능 및 계산 비용은 어떻게 비교되는가?
• RQ4 앙성 산란 없이 결정론적 ECMWF 앙상블 평균 필드만으로도 딥 러닝을 통해 잘 校정된 확률적 예측을 효과적으로 생성할 수 있는가?
• RQ5 공간 가중 손실 함수는 다양한 지리적 지역에 걸쳐 지역 예측 신뢰성과 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 전 세계적으로 훈련된 UNet 모델이 가장 높은 예측 성능을 기록하며, 훈련 시간이 훨씬 길어지는 패치 기반 모델에 비해 계산 효율성이 뛰어나다.
• 모든 제안된 CNN 기반 후처리 모델은 잘 校정된 확률적 예측을 생성하며, 결정론적 ECMWF 앙상블 평균 필드만을 기반으로도 신뢰할 수 있는 불확실성 정량화를 보여준다.
• 모델들은 ECMWF 재예측 校정 예측 및 기상기록 기준선보다 유의미하게 높은 예측 능력을 보이며, 모든 변수와 예측 리드 타임에서 RPSS 값이 몇 퍼센트 수준으로 향상된다.
• 패치 기반 훈련 방식은 주 3–4의 기온 예측 능력을 약간 향상시키지만, 강수량 예측에는 유의미한 이점이 없으며, 이는 신호 대 노이즈 비율이 낮기 때문일 수 있다.
• 공간 가중 손실 함수는 더 나은 지역 예측 품질을 가능하게 하며, 아키텍처 변경 없이도 특정 지역에 대한 파라미터 튜닝을 지원한다.
• 격자 셀 기반 구성 요소 없이 전체 공간 분야를 사용하는 방법적 혁신은 특히 강수량 예측에 유리한 공간 오차 패턴 학습을 가능하게 하였다.