[논문 리뷰] Digital Typhoon: Long-term Satellite Image Dataset for the Spatio-Temporal Modeling of Tropical Cyclones

Asanobu Kitamoto, Jared Hwang외 4명|arXiv (Cornell University)|2023. 11. 05.

Tropical and Extratropical Cyclones Research인용 수 5

한 줄 요약

이 논문은 1970년대 이래로 지속된 40년 이상의 균일한 적외선 위성 이미지 데이터셋인 Digital Typhoon를 소개한다. 이 데이터셋은 서태평양의 열대저기압을 대상으로 하며, Lambert 평면 등적도 원형 투영법을 사용하고 위성 간 교정을 통해 일관된 시공간 모델링을 가능하게 한다. 이 데이터셋은 딥러닝 모델의 태풍 강도 예측, 재분석 및 분석을 위한 벤치마크를 제공하며, 데이터의 복잡성과 다양성으로 인해 최신 모델들 역시 높은 도전 과제를 안고 있음을 보여준다.

ABSTRACT

This paper presents the official release of the Digital Typhoon dataset, the longest typhoon satellite image dataset for 40+ years aimed at benchmarking machine learning models for long-term spatio-temporal data. To build the dataset, we developed a workflow to create an infrared typhoon-centered image for cropping using Lambert azimuthal equal-area projection referring to the best track data. We also address data quality issues such as inter-satellite calibration to create a homogeneous dataset. To take advantage of the dataset, we organized machine learning tasks by the types and targets of inference, with other tasks for meteorological analysis, societal impact, and climate change. The benchmarking results on the analysis, forecasting, and reanalysis for the intensity suggest that the dataset is challenging for recent deep learning models, due to many choices that affect the performance of various models. This dataset reduces the barrier for machine learning researchers to meet large-scale real-world events called tropical cyclones and develop machine learning models that may contribute to advancing scientific knowledge on tropical cyclones as well as solving societal and sustainability issues such as disaster reduction and climate change. The dataset is publicly available at http://agora.ex.nii.ac.jp/digital-typhoon/dataset/ and https://github.com/kitamoto-lab/digital-typhoon/.

연구 동기 및 목표

• 기계학습 연구자들이 열대저기압을 연구할 수 있도록 대규모로 공개되고 잘 처리된 위성 이미지 데이터셋을 제공함으로써 접근 장벽을 낮추기 위해.
• 위성 간 교정 및 이미지 균일화와 같은 데이터 품질 문제를 해결하여 일관된 모델 훈련 및 평가를 가능하게 하기 위해.
• 장기적인 태풍 데이터를 활용해 태풍 강도 예측, 재분석, 사회적 영향 모델링 등 다양한 기계학습 과제를 지원하기 위해.
• 실제 태풍 사건에 대한 딥러닝 모델 평가를 위한 재현 가능하고 유지보수 가능한 벤치마크를 구축하기 위해.
• 기상학적 규정과 전문 지식과의 조율을 통해 태풍 예측 분야에서 기계학습의 책임감 있는 활용을 촉진하기 위해.

제안 방법

• 데이터셋은 일본 기상청(JMA)의 최적 트랙 데이터를 기반으로 하여, 태풍 중심에 위치한 적외선 위성 이미지를 Lambert 평면 등적도 원형 투영법을 사용해 자르는 방식으로 구성되었다.
• 다양한 위성과 시간대에 걸쳐 일관된 이미지 품질을 확보하기 위해 체계적인 데이터 처리 파이프라인을 개발하였으며, 방사능적 차이를 줄이기 위해 위성 간 교정을 포함하였다.
• 데이터셋은 40년 이상의 태풍 관측 데이터를 포함하며, 2022년 시즌까지의 데이터를 포함하고 있으며, 2023년에 업데이트 예정이며, 단일 54GB ZIP 파일에 저장되어 있다.
• 데이터셋은 CC BY 라이선스 하에 공개되었으며, DIAS, GitHub, Hugging Face 등 다양한 플랫폼에서 접근 가능하며, 관련 코드와 모델 가중치도 함께 제공된다.
• 1999년 이래로 장기적인 데이터 처리 파이프라인을 유지함으로써 데이터셋의 지속 가능성과 재현 가능성을 확보하였다.
• 강도 예측, 재분석, 분석을 위한 벤치마크 과제가 설계되었으며, 결과적으로 현재의 딥러닝 모델들이 이 데이터셋에서 높은 도전 과제를 안고 있음을 시사한다.

실험 결과

연구 질문

• RQ1 다양한 위성과 수십 년에 걸친 기간 동안 열대저기압 모델링을 위한 장기적이고 균일한 위성 이미지 데이터셋을 체계적으로 구축하는 방법은 무엇인가?
• RQ2 이 장기적이고 고품질의 데이터셋을 기반으로 훈련된 현재의 딥러닝 모델들이 태풍의 시공간 모델링에서 얼마나 어려움을 겪는가?
• RQ3 위성 간 교정의 차이 등 데이터 품질의 변동성이 태풍 강도 추정의 모델 성능과 신뢰성에 어떤 영향을 미치는가?
• RQ4 장기적인 적외선 위성 영상 자료를 활용한 태풍 강도 예측에 가장 효과적인 기계학습 접근법은 무엇인가?
• RQ5 공개적인 예측 정보 유포에 대한 법적 및 사회적 제약를 고려할 때, 태풍 예측 분야에서 기계학습의 책임감 있는 활용을 어떻게 보장할 수 있는가?

주요 결과

• Digital Typhoon 데이터셋은 40년 이상의 태풍 관측 데이터를 포함하며, 2022년 시즌까지의 데이터를 포함하고 있으며, 매년 최신 시즌 데이터를 추가로 업데이트한다.
• 태풍 중심 자르기 및 위성 간 교정을 포함한 표준화된 워크플로우를 통해 처리되어 기계학습에 적합한 균일한 이미지 컬렉션을 제공한다.
• 벤치마크 결과에 따르면, 최근의 딥러닝 모델들 역시 이 데이터셋에서 상당한 도전 과제를 안고 있음을 보여주며, 이는 데이터셋의 복잡성과 엄격한 벤치마크로서의 적합성을 시사한다.
• DIAS(DOI: 10.20783/DIAS.664), GitHub, Hugging Face 등을 통해 CC BY 라이선스 하에 공개되었으며, 관련 코드와 모델 가중치도 함께 제공된다.
• 1999년 이래로 강력한 데이터 처리 파이프라인을 유지함으로써 데이터셋의 장기적 지속 가능성과 재현 가능성을 확보하였다.
• 향후에는 제3세대 위성용 실시간 또는 고해상도 데이터셋 확장이 가능하며, 사용자 유연성을 고려해 별도의 ZIP 파일로 제공될 예정이다.