[논문 리뷰] DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling

Wenyuan Li, Zili Liu외 5명|arXiv (Cornell University)|2024. 01. 04.

Meteorological Phenomena and Simulations인용 수 7

한 줄 요약

DeepPhysiNet은 물리 네트워크와 하이퍼-네트워크를 통해 대기 물리학과 딥러닝을 통합하여 연속 해상도 날씨 모델링을 제공하고, 다운스케일링, 바이어스 보정 및 예측을 가능하게 한다.

ABSTRACT

Accurate weather forecasting holds significant importance to human activities. Currently, there are two paradigms for weather forecasting: Numerical Weather Prediction (NWP) and Deep Learning-based Prediction (DLP). NWP utilizes atmospheric physics for weather modeling but suffers from poor data utilization and high computational costs, while DLP can learn weather patterns from vast amounts of data directly but struggles to incorporate physical laws. Both paradigms possess their respective strengths and weaknesses, and are incompatible, because physical laws adopted in NWP describe the relationship between coordinates and meteorological variables, while DLP directly learns the relationships between meteorological variables without consideration of coordinates. To address these problems, we introduce the DeepPhysiNet framework, incorporating physical laws into deep learning models for accurate and continuous weather system modeling. First, we construct physics networks based on multilayer perceptrons (MLPs) for individual meteorological variable, such as temperature, pressure, and wind speed. Physics networks establish relationships between variables and coordinates by taking coordinates as input and producing variable values as output. The physical laws in the form of Partial Differential Equations (PDEs) can be incorporated as a part of loss function. Next, we construct hyper-networks based on deep learning methods to directly learn weather patterns from a large amount of meteorological data. The output of hyper-networks constitutes a part of the weights for the physics networks. Experimental results demonstrate that, upon successful integration of physical laws, DeepPhysiNet can accomplish multiple tasks simultaneously, not only enhancing forecast accuracy but also obtaining continuous spatiotemporal resolution results, which is unattainable by either the NWP or DLP.

연구 동기 및 목표

• 각 패러다임의 한계를 극복하기 위해 수치 예보(NWP) 물리학과 데이터 기반 딥러닝(DLP)의 결합을 동기 부여한다.
• PDE 기반 대기 법칙을 학습 가능한 모델에 포함시키기 위해 물리 정보 신경망(physics-informed neural networks)을 사용하는 통합 프레임워크를 제안한다.
• 임의의 좌표와 해상도에서 예측을 허용하여 연속적인 시공간 예측을 가능하게 한다.
• 다운스케일링, 바이어스 보정 및 기상 예측 작업에서 프레임워크를 시연한다.
• 예측에서 물리 법칙과 입력 변수의 역할을 보여주는 해석 가능성 분석을 제공한다.

제안 방법

• 좌표 (x, y, t)를 변수 값으로 매핑하는 개별 기상 변수에 대한 물리 네트워크(MLP)를 도입한다.
• 하이퍼 네트워크( Transformer 기반 )를 사용하여 과거 데이터로부터 시공간 특징을 학습하고 물리 네트워크의 가중치를 생성한다.
• 손실에 대해 소프트 제약으로 PDE를 도입하여 내부 점의 물리적 일관성을 강제하고 격점에서 회귀 손실을 사용한다.
• 추론 시 임의의 입력 좌표에서 물리 네트워크를 평가하여 연속 해상도를 허용한다.
• 단일 프레임워크 내에서 다운스케일링, 바이어스 보정 및 예측을 가능하게 하기 위해 실제 데이터와 PDE 기반 손실 모두로 학습한다.
• 출력은 표면 변수 6개: u, v, T, p, ρ, q이며 입력은 필드 시퀀스와 좌표로 구성된다.

실험 결과

연구 질문

• RQ1 물리 법칙을 데이터 기반 기상 모델에 효과적으로 내재화하여 연속 해상도 예측을 달성할 수 있는가?
• RQ2 하이퍼 네트워크와 물리 네트워크를 결합한 하이브리드 아키텍처가 다운스케일링 및 바이어스 보정에서 전통적인 NWP와 DLP를 능가하는가?
• RQ3 PDE 기반 제약이 예측의 해석 가능성과 물리적 일관성을 얼마나 향상시키는가?
• RQ4 물리적 리얼리즘을 유지하면서 모델이 정밀한 스테이션 수준 다운스케일링 및 격점 바이어스 보정이 가능한가?
• RQ5 훈련 시한을 넘어 PDE 감독만으로 프레임워크가 예측을 얼마나 잘 외삽하는가?

주요 결과

방법	SPD RMSE	SPD COR	T RMSE	T COR	RH RMSE	RH COR
NCEP IFS	2.055	0.439	4.178	0.937	19.364	0.711
ECMWF IFS	1.844	0.430	4.099	0.944	17.471	0.757
DeepPhysiNet	1.686	0.443	3.788	0.949	16.686	0.761

• DeepPhysiNet은 풍속, 온도 및 상대 습도에 대해 NCEP IFS 및 ECMWF IFS보다 스테이션 수준 다운스케일링 정확도가 향상된다.
• 스테이션 다운스케일링의 경우, SPD에 대해 RMSE 1.686, COR 0.443, T에 대해 RMSE 3.788, COR 0.949, RH에 대해 RMSE 16.686, COR 0.761을 얻어 여러 지표에서 베이스라인을 능가한다.
• 격점 바이어스 보정에서 이 방법은 경쟁력 있는 성능을 보이며, 특히 온도와 상대 습도에서 ECMWF에 비해 강한 결과를 보이고 대부분의 경우 NCEP에 비해 바이어스 보정이 향상된다.
• 단기 기상 예측(0-24h)에서 DeepPhysiNet은 거의 NCEP IFS에 필적하거나 약간 앞서며, PDE 감독만으로 24h에서 48h로의 외삽 가능성을 시사한다.
• 이 프레이워크는 입력 변수 기여 분석을 통한 해석 가능성 인사이트를 제공하며, 기압과 풍속 변수의 영향력이 크고 PDE가 물리적으로 가능해 보이는 출력으로 안내하는 효과적인 소프트 제약으로 작용함을 보여준다.