[논문 리뷰] Exploiting deep learning in forecasting the occurrence of severe haze in Southeast Asia

Chien Wang|arXiv (Cornell University)|2020. 03. 12.

Meteorological Phenomena and Simulations참고 문헌 19인용 수 5

한 줄 요약

이 논문은 싱가포르를 포함한 동남아시아에서 심각한 smog 사건을 예측하기 위해 35년간의 기상 및 수문학적 데이터를 사용하는 딥러닝 프레임워크를 제안한다. 순차적인 위성 및 지표면 데이터로 훈련된 모델은 smog가 아닌 날과의 구분에서 높은 정확도를 달성하지만, 희귀하거나 비정상적인 패턴으로 인해 잘못된 음성 결과(거짓 음성) 문제가 발생한다.

ABSTRACT

Severe haze or low visibility event caused by particulate pollution has become a serious environmental issue in Southeast Asia. A forecasting framework of such events based on deep convolutional neural networks has been developed. The framework has been trained using time sequential maps of up to 18 meteorological and hydrological variables alongside surface visibility data over past 35 years. In forecasting haze versus no-haze situations in Singapore, the trained machine has achieved a good overall accuracy that easily exceeds that of the no-skill blinded forecast based on haze occurrence frequency. However, the machine still produces a relatively high number of missing forecasts (false negative for haze events), likely owing to its lack of experience in identifying atypical patterns. Nevertheless, this effort has demonstrated a promising prospect of using deep learning algorithms to predict the occurrence of extreme environmental and weather events, and to advance knowledge about these still poorly known phenomena.

연구 동기 및 목표

• 딥러닝을 활용해 기상 데이터 기반의 심각한 smog 사건 예측 시스템을 개발한다.
• 과거 환경 데이터를 활용해 전통적인 무지 기반 예측보다 개선된 예측 성능을 확보한다.
• 합성곱 신경망(CNN)이 심각한 환경 사건, 예를 들어 심각한 smog와 같은 극단적 사건을 탐지하는 데 얼마나 유능한지 평가한다.
• 특히 비정상적인 smog 사건에 대한 잘못된 음성 결과 등 모델 성능의 한계를 규명한다.
• 복잡한 저 visibility polution 사건을 예측하는 데 있어 딥러닝의 가능성에 대한 실현 가능성을 입증한다.

제안 방법

• 18개의 기상 및 수문학적 변수의 시간 순차적 지ap을 기반으로 딥 컨volution 신경망(CNN)을 훈련한다.
• 입력 데이터는 35년 간의 기간을 포함하며, 지표면 시야 관측값을 참값으로 사용한다.
• 모델은 환경 변수의 공간적 및 시간적 패턴을 처리하여 smog 발생 여부를 분류한다.
• 모델 성능은 과거 smog 발생 빈도를 기반으로 한 무지 기반 예측과 비교하여 평가된다.
• 프레임워크는 지역적 역학이 smog 형성에 미치는 영향을 포괄적으로 반영하기 위해 시공간 데이터 표현 방식을 사용한다.
• 평가 지표로는 총 정확도, 참양성률, 거짓음성률이 포함된다.

실험 결과

연구 질문

• RQ1 장기적인 환경 데이터를 활용해 딥러닝 모델이 동남아시아의 심각한 smog 사건을 효과적으로 예측할 수 있는가?
• RQ2 모델의 정확도는 과거 발생 빈도를 기반으로 한 무지 기반 예측과 비교해 어떻게 다른가?
• RQ3 모델의 주요 실패 원인은 무엇인가, 특히 희귀하거나 비정상적인 smog 사건 탐지에 있어 어떤가?
• RQ4 딥러닝이 대기 및 수문학적 변수 간의 복잡한 비선형 관계를 얼마나 잘 포착할 수 있는가, 이는 심각한 smog 발생에 기여한다.
• RQ5 희귀한 기상 패턴에 노출된 경험이 제한된 상황에서도 모델이 향후 smog 사건에 일반화될 수 있는가?

주요 결과

• 딥러닝 모델은 smog 발생 빈도를 기반으로 한 무지 기반 예측보다 유의미하게 높은 총 정확도를 달성한다.
• 모델는 실제 smog 사건 발생 시 효과적인 패턴 인식 능력을 보이며, 일반적인 조건에서 뛰어난 성능을 나타낸다.
• 전반적인 정확도는 높지만, 실제 smog 사건을 놓치는 거짓음성 결과가 상대적으로 많다.
• 높은 거짓음성 비율은 smog와 관련된 비정상적이거나 희귀한 기상 패턴에 모델이 노출되지 않았기 때문으로 분석된다.
• 결과적으로 딥러닝은 데이터 부족이나 패턴의 신규성 등 도전 과제가 존재하더라도 극단적 환경 사건 예측에 유망한 도구로 여겨진다.
• 본 연구는 딥러닝이 이해가 부족한 현상, 예를 들어 지역적 smog 사건에 대한 이해를 심화하는 데 잠재력을 지닌다는 점을 강조한다.