[논문 리뷰] Extreme Precipitation Seasonal Forecast Using a Transformer Neural Network

Daniel Civitarese, Daniela Szwarcman외 2명|arXiv (Cornell University)|2021. 07. 14.

Meteorological Phenomena and Simulations인용 수 25

한 줄 요약

본 논문은 Temporal Fusion Transformer(TFT)를 이용해 주간 최대 일강수 예측 분위수(quantiles)를 최대 6개월 ahead로 예측하고, ECMWF SEAS5 ensemble보다 우수하며 일부 경우에 climatology를 능가합니다.

ABSTRACT

An impact of climate change is the increase in frequency and intensity of extreme precipitation events. However, confidently predicting the likelihood of extreme precipitation at seasonal scales remains an outstanding challenge. Here, we present an approach to forecasting the quantiles of the maximum daily precipitation in each week up to six months ahead using the temporal fusion transformer (TFT) model. Through experiments in two regions, we compare TFT predictions with those of two baselines: climatology and a calibrated ECMWF SEAS5 ensemble forecast (S5). Our results show that, in terms of quantile risk at six month lead time, the TFT predictions significantly outperform those from S5 and show an overall small improvement compared to climatology. The TFT also responds positively to departures from normal that climatology cannot.

연구 동기 및 목표

• 기후 변화 하에서 극한 강수의 하위-계절성에서 계절 예측의 개선 동기를 부여한다.
• 다중 위치에 걸친 주간 최대 일강수에 대한 분위수 기반 예측 프레임워크를 개발한다.
• 정적 입력, 과거 입력, 미래 입력을 다루는 다-수평 예측을 위해 Temporal Fusion Transformer를 활용한다.
• 위험 평가 및 의사 결정 지원을 위한 해석 가능한 다중 분위수 출력을 제공한다.

제안 방법

• TFT를 사용하여 주 26주 ahead까지의 최대 일강수 분위수(0.1, 0.5, 0.9)를 예측한다.
• 정적 입력(위치, 고도), 알려진 미래 입력(월, ENSO 관련 예측 지표), 및 과거 입력(과거 강수량, 기온, 토양 수분, 중력 포텐셜)을 통합한다.
• 모든 분위수와 수평에 걸친 공동 분위수 손실(분위수 손실 QL, q-리스크 정규화)로 TFT를 학습한다.
• 지역별 하위 영역 및 격자점 분할을 이용해 기후통계(1981-2010)와 보정된 ECMWF SEAS5 ensemble(50 구성원)과 비교한다.
• 격차 측정은 분위수 0.9의 q-리스크 차이를 사용하고 리우데자네이루와 플로리다에서 공간적으로 분석한다.

실험 결과

연구 질문

• RQ1 TFT 기반 분위수 예측이 최첨단 동역학적 앙상블에 비해 여섯 달까지 예측lead time에서 극한 강수 예측을 개선할 수 있는가?
• RQ2 리우데자네이루와 플로리다 지역에서의 TFT 성능은 기후통계 대비 어떻게 달라지는가?
• RQ3 하위-계절성에서 계절 예측을 위한 다중 분위수 TFT 출력의 위험 평가 가치는 무엇인가?

주요 결과

• TFT는 분위수 0.9에 대해 모든 지역에서 S5 대비 q-리스크 측면에서 크게 우수하다.
• 일부 대상에 대해 climatology에 비해 전반적으로 소폭 개선을 보이며, 특히 0.9 분위수에서 S5보다 명확히 개선된다.
• 리우데자네이로의 경우 모든 분위수에서 climatology에 비해 q-리스크를 감소시키며, S5에 비해 0.9 분위수에서 최대 29.54% 개선된다.
• 플로리다의 경우 분위수 전반에서 S5 대비 개선이 나타나며, 특히 0.9 분위수에서 큰 이점이 있다(예: S5−TFT 41.87% 감소/개선).
• TFT는 입력 변수와 시간 역학에 따라 예측을 조정함으로써 기후통계보다 정상에서 벗어난 동향을 더 잘 포착한다.