[논문 리뷰] Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning

George Miloshevich, Cozian, Bastien외 1명|arXiv (Cornell University)|2023. 07. 18.

Meteorological Phenomena and SimulationsEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 프랑스와 스칸디나비아에서 극단적인 폭염을 샘플링하고 예측하기 위해 온도와 토양 수분 예측 변수를 사용하는 아날로그 마르코프 체인 기반의 확률적 기상 생성기(SWG)를 제안한다. 80년 분량의 기후 모델 데이터로 훈련된 SWG는 1,000년 주기의 극단적 사건을 추정하는 데 있어 일반화된 극단가치 이론(GEV) 피팅을 능가하고, 깊이 학습(CNN)과 유사한 확률적 예측 성능을 보이며, 특히 데이터가 제한된 경우에 유리하다. 또한 계산 효율성이 뛰어나 해석 가능성도 유지한다.

ABSTRACT

This dataset was originally generated by running a Plasim general circulation model for 8000 years. We extract a small subset of this dataset which is only 500 years long with temperature, soil moisture and 500 hPa Geopotential extracted over the northern hemisphere above 30 North. This dataset can be used to reproduce the results in https://arxiv.org/abs/2307.09060 concerning training CNN and SWG with cross-validation length of 500 years.

연구 동기 및 목표

• 유럽에서 극단적 폭염 발생 확률을 추정하기 위한 계산 효율성과 데이터 기반의 확률적 기상 생성기(SWG)를 개발하는 것.
• 제한된 기후 모델 데이터로 희귀하고 장기적인 폭염을 샘플링하는 데 도전하는 것.
• 아날로그 기반 SWG의 성능을 깊이 학습(CNN)과 극단가치이론(EVT)과 비교하여 확률적 폭염 예측 성능을 평가하는 것.
• 예측 능력에 손상이 가지 않으면서 아날로그 계산 효율성을 향상시키기 위한 차원 축소 기법(EOF, VAE)을 평가하는 것.
• SWG가 극단적 폭염에 대한 실질적인 합성 원격 연관 패턴을 생성할 수 있음을 입증하는 것.

제안 방법

• SWG는 기상 순환 상태의 아날로그 방법을 사용하며, 지역 온도와 토양 수분을 추가 예측 변수로 통합한다.
• 기존 기상 상태의 아날로그에서 시작하여, 마르코프 체인 프레임워크를 적용해 확률적이고 시공간적 기상 상태 시퀀스를 생성한다.
• 아날로그 검색 속도 향상을 위해 경제적 직교 함수(EOF)를 통한 차원 축소를 적용하며, 성능은 VAE 및 PCA와 비교 평가된다.
• 희귀 사건에 특화된 적절한 점수 기준(정규화된 로그 점수)을 사용해 외부 데이터로 조건부 폭염 발생 확률을 예측한다.
• SWG는 80년 분량의 PlaSim 기후 모델 출력 데이터로 훈련되었으며, 합성 극단 현상의 현실성 평가를 위해 장기 제어 실행 결과와 비교 검증된다.
• 성능 평가 기준으로는 수백 년 분량의 데이터로 훈련된 컨volutional 신경망(CNN)과 GEV 피팅을 통한 주기 추정을 비교한다.

Figure 1 : The map shows relevant areas. Blue: North Atlantic – Europe (NAE). The dimensions of this region are 22 by 48. Red+Blue: North Hemisphere (above 30 N). The dimensions of this region are 24 by 128. Green: France; Purple: Scandinavia.

실험 결과

연구 질문

• RQ1 80년 분량의 훈련 데이터만을 사용하여 아날로그 마르코프 체인 기반의 SWG가 프랑스와 스칸디나비아에서 장기 폭염의 조건부 확률을 정확하게 예측할 수 있는가?
• RQ2 훈련 데이터가 제한된 경우, 아날로그 기반 SWG의 성능이 깊이 학습 모델(CNN)과 비교하여 어떻게 되는가?
• RQ3 차원 축소(예: EOF)를 통해 계산 효율성을 얼마나 향상시킬 수 있으며, 이로 인해 예측 정확도가 저하되지 않는가?
• RQ4 SWG가 프랑스와 스칸디나비아의 폭염에 대해 생성한 합성 원격 연관 패턴이 매우 장기적인 기후 모델 제어 실행 결과와 통계적으로 구분되지 않는가?
• RQ5 伝통적인 극단가치이론(GEV) 피팅보다 SWG가 1,000년 주기의 폭염에 대해 더 정확한 추정치를 제공하는가?

주요 결과

• 80년 분량의 데이터로 훈련된 SWG는 다일 폭염의 1,000년 주기 추정치를 GEV 피팅보다 더 정확하게 추정하며, 희귀 사건 추정에서 뛰어난 성능을 보였다.
• 수백 년 분량의 훈련 데이터로 훈련된 CNN은 정규화된 로그 점수 기준으로 SWG를 능가하는 성능을 보이며, 데이터가 풍부할 경우 깊이 학습의 우월성을 입증한다.
• 이 작업에서는 EOF 기반 차원 축소가 VAE보다 뛰어난 성능을 보이며, 온도 극단가치 아날로그 예측에 더 적합함을 시사한다.
• SWG가 프랑스와 스칸디나비아의 폭염에 대해 생성한 합성 원격 연관 패턴은 매우 장기적인 기후 모델 제어 실행 결과에서 관찰된 패턴과 강한 정성적 및 통계적 유사성을 보였다.
• 훈련 데이터가 부족한 경우에도 SWG는 기후 모델 에뮬레이션의 강력한 기초 모델이 되며, 더 복잡한 깊이 학습 아키텍처의 검증에 사용되어야 한다.
• 본 연구는 오픈소스 코드와 문서를 제공하여 재현 가능성과 다른 극단 기상 현상 및 지역으로의 확장 가능성을 보장한다.

Figure 2 : Schematics of different methodologies used for probabilistic forecasting and estimates of extreme statistics. On the left we show the three input fields which are labeled directly on the plot. On the right the target of the inference is displayed (for instance probabilistic prediction as