[논문 리뷰] Fast and accurate learned multiresolution dynamical downscaling for precipitation

Jiali Wang, Zhengchun Liu외 4명|arXiv (Cornell University)|2021. 01. 18.

Meteorological Phenomena and Simulations인용 수 11

한 줄 요약

이 논문은 저해상도 기후 모의 결과에서 고해상도 강수 데이터를 생성하기 위해 컨volutional 신경망(CNN)을 사용하는 학습된 다중해상도 동역학적 다운스케일링 방법을 제안한다. 저해상도(50 km) 및 고해상도(12 km) 시뮬레이션을 결합하여 훈련한 CNN—특히 조건부 GAN(conditional GANs)—를 통해, 기존 방법 대비 1개월이 소요되던 12 km 해상도 시뮬레이션을 14분으로 단축시키며, 공간적 변동성, 시간적 극단 현상, 강우 폭풍과 같은 강수 이벤트를 매우 낮은 계산 비용으로 정확히 포착한다.

ABSTRACT

This study develops a neural network-based approach for emulating high-resolution modeled precipitation data with comparable statistical properties but at greatly reduced computational cost. The key idea is to use combination of low- and high- resolution simulations to train a neural network to map from the former to the latter. Specifically, we define two types of CNNs, one that stacks variables directly and one that encodes each variable before stacking, and we train each CNN type both with a conventional loss function, such as mean square error (MSE), and with a conditional generative adversarial network (CGAN), for a total of four CNN variants. We compare the four new CNN-derived high-resolution precipitation results with precipitation generated from original high resolution simulations, a bilinear interpolater and the state-of-the-art CNN-based super-resolution (SR) technique. Results show that the SR technique produces results similar to those of the bilinear interpolator with smoother spatial and temporal distributions and smaller data variabilities and extremes than the original high resolution simulations. While the new CNNs trained by MSE generate better results over some regions than the interpolator and SR technique do, their predictions are still not as close as the original high resolution simulations. The CNNs trained by CGAN generate more realistic and physically reasonable results, better capturing not only data variability in time and space but also extremes such as intense and long-lasting storms. The new proposed CNN-based downscaling approach can downscale precipitation from 50~km to 12~km in 14~min for 30~years once the network is trained (training takes 4~hours using 1~GPU), while the conventional dynamical downscaling would take 1~month using 600 CPU cores to generate simulations at the resolution of 12~km over contiguous United States.

연구 동기 및 목표

• 깊이 학습을 이용해 거시적 해상도에서 고해상도로의 강수 다운스케일링을 빠르고 정확하며 물리적으로 타당한 방법을 개발하기.
• 대규모 집합 및 고해상도 기후 시뮬레이션에 대해 기존의 동역학적 다운스케일링이 계산적으로 불가능한 문제를 해결하기.
• 기존 초해상도 및 보간 기법을 향상시켜, 강우 폭풍과 같은 통계적 특성, 특히 극단적인 강수 현상을 유지하기.
• 기존 50 km 해상도 기후 시뮬레이션에서 유래한 다중모델 집합을 활용해 기후 예측의 불확실성 정량화를 효율적으로 가능하게 하기.
• 유사한 물리 방정식을 사용하는 다른 지역 기후 모델로 훈련된 모델의 일반화 가능성 탐색하기.

제안 방법

• 저해상도(50 km) 및 고해상도(12 km) 시뮬레이션을 결합하여 CNN를 훈련함으로써 강수 다운스케일링을 위한 하이브리드 훈련 전략을 사용한다.
• 두 가지 CNN 아키텍처를 제안한다: 하나는 입력 변수를 직접 스택하는 방식이며, 다른 하나는 각 변수를 인코딩한 후 스택하여 특징 표현을 향상시키는 방식이다.
• 네 가지 CNN 변종을 훈련한다: 두 가지는 평균 제곱오차(MSE) 손실을, 두 가지는 조건부 생성적 적대적 네트워크(CGAN) 손실을 사용하여 현실성과 분포 충실도를 향상시킨다.
• CGAN 기반 모델은 고해상도 강수 데이터가 실제 데이터와 구분되지 않을 정도로 분포가 유사하도록 훈련되며, 특히 극단 현상과 공간적 변동성에서 뛰어난 성능을 보인다.
• 훈련 단계가 4시간 소요된 후, 단일 GPU를 사용해 30년 분량의 50 km 데이터를 12 km 해상도로 다운스케일링하는 데 14분이 소요된다.
• 시간적 의존성은 현재 고려되지 않으며, 각 타임스텝이 독립적으로 처리되지만, 향후 연구에서는 시간에 따라 변화하는 필드를 고려한 순환 구조를 통합할 수 있다.

실험 결과

연구 질문

• RQ1 학습된 신경망 기반 접근법이 저해상도 기후 모의 결과에서 고해상도 강수를 효과적으로 모의할 수 있으며, 핵심 통계적 특성을 유지할 수 있는가?
• RQ2 MSE와 CGAN이라는 서로 다른 손실 함수가 극단 현상에서의 현실성과 정확도에 어떤 영향을 미치는가?
• RQ3 CNN 기반 다운스케일링이 공간적·시간적 변동성을 포착하는 데 있어 기존의 보간법 및 최첨단 초해상도 기법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 훈련된 모델이 유사한 물리 방정식을 사용하는 다른 지역 기후 모델로 일반화될 수 있는가, 즉 단일 모델에서 훈련된 후에도 다른 모델에 적용 가능한가?
• RQ5 기존의 동역학적 다운스케일링 대비 제안된 방법의 계산적 이점은 시간 및 자원 사용 측면에서 얼마나 큰가?

주요 결과

• CGAN로 훈련된 CNN는 고해상도 시뮬레이션의 통계 분포, 특히 긴 꼬리 분포와 강력하고 장시간 지속되는 폭우 시스템을 매우 정확히 재현한다.
• CGAN 기반 모델은 이중선형 보간법과 최첨단 초해상도 기법을 모두 능가하여 공간적 변동성과 극단 강수 현상을 더 잘 포착한다.
• CGAN 손실을 사용하는 인코더 기반 CNN 변종이 가장 정확하게 공간 패턴과 변동성을 재현하며, 융합 이전에 특징을 인코딩하는 것이 유의미한 이점을 제공함을 시사한다.
• 기존의 동역학적 다운스케일링 방식이 12 km 해상도에서 600개의 CPU 코어를 사용해 1개월이 소요되는 데 비해, 제안된 방법은 단일 GPU를 사용해 14분으로 단축시켜 약 1,224배의 속도 향상을 달성한다.
• 현재 타임스텝 간 독립 처리로 인해 정확한 시간적 순서는 포착되지 않지만, 전체적인 시간적 변동성과 극단 현상의 강도는 유지되어 기후 척도 분석에는 충분하다.
• 훈련된 모델는 기존의 50 km 다중모델 집합(NARCCAP, NA-CORDEX 등)에 적용되어 향후 기후 예측의 불확실성 정량화를 위한 고해상도 데이터를 생성할 수 있다.