[논문 리뷰] Forecasting Significant Wave Heights in Oceanic Waters.

Pujan Pokhrel, Elias Ioup외 3명|arXiv (Cornell University)|2021. 05. 18.

Ocean Waves and Remote Sensing참고 문헌 13인용 수 1

한 줄 요약

이 논문은 CDIP 부이 데이터를 사용하여 해양 수역의 주요 파고를 예측하기 위해 Extra Trees (ET) 기계학습 모델을 제안한다. 스펙트럼 특징, hv-블록 교차검증 및 엄격한 품질 관리 기준을 통합함으로써, 모델은 14일 전망 예측에서 높은 정확도를 달성한다—산란 지수 0.110 및 RMSE 0.122로, 기존 최첨단 방법을 능가하며 일반적으로 120시간을 넘는 예측 범위를 초과한다.

ABSTRACT

This paper proposes a machine learning method based on the Extra Trees (ET) algorithm for forecasting Significant Wave Heights in oceanic waters. To derive multiple features from the CDIP buoys, which make point measurements, we first nowcast various parameters and then forecast them at 30-min intervals. The proposed algorithm has Scatter Index (SI), Bias, Correlation Coefficient, Root Mean Squared Error (RMSE) of 0.130, -0.002, 0.97, and 0.14, respectively, for one day ahead prediction and 0.110, -0.001, 0.98, and 0.122, respectively, for 14-day ahead prediction on the testing dataset. While other state-of-the-art methods can only forecast up to 120 hours ahead, we extend it further to 14 days. This 14-day limit is not the forecasting limit, but it arises due to our experiment's setup. Our proposed setup includes spectral features, hv-block cross-validation, and stringent QC criteria. The proposed algorithm performs significantly better than the state-of-the-art methods commonly used for significant wave height forecasting for one-day ahead prediction. Moreover, the improved performance of the proposed machine learning method compared to the numerical methods, shows that this performance can be extended to even longer time periods allowing for early prediction of significant wave heights in oceanic waters.

연구 동기 및 목표

• 기존 모델의 일반적인 120시간 예측 한계를 초월하여 주요 파고 예측 범위를 연장하는 것.
• CDIP 부이의 점 측정치를 기반으로 한 기계학습을 통해 해양 파고 예측 정확도를 향상시키는 것.
• 스펙트럼 특징, 교차검증 및 품질 관리 기준을 통합한 강력한 예측 프레임워크를 개발하는 것.
• 장기적 파고 예측에서 기계학습 기법이 수치적 방법보다 뛰어나다는 것을 입증하는 것.
• 확장된 신뢰할 수 있는 파고 예측을 통해 해양 기상 재해에 대한 조기 경고 시스템을 구현하는 것.

제안 방법

• 모델는 CDIP 부이 데이터에서 파생된 특징에 대해 회귀 분석을 수행하는 데 Extra Trees (ET) 알고리즘을 사용한다. 이는 트리 기반의 앙상블 방법이다.
• 먼저 해양 파rameter들을 실시간 예측(노캐스트)한 후, 30분 간격으로 주요 파고를 예측한다.
• 부이 측정치에서 스펙트럼 특징을 추출하여 입력 표현을 풍부화시켜 모델의 일반화 능력을 향상시킨다.
• 시간적 안정성 확보 및 시계열 예측에서의 데이터 泄露 방지를 위해 hv-블록 교차검증을 적용한다.
• 모델 훈련 및 평가 이전에 노이즈가 많거나 신뢰할 수 없는 데이터 포인트를 걸러내기 위해 엄격한 품질 관리(QC) 기준을 적용한다.
• 모델는 1일 및 14일 예측 수준에 대해 훈련 및 테스트되며, 표준 평가 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 기존 표준 120시간 예측 수준을 초월하여 주요 파고 예측을 연장할 수 있는가?
• RQ2 Extra Trees 모델의 성능은 장기적 파고 예측에서 최첨단 방법과 비교해 어떻게 되는가?
• RQ3 스펙트럼 특징과 철저한 품질 관리가 예측 정확도 향상에 어느 정도 기여하는가?
• RQ4 노캐스트된 파rameter의 포함이 모델의 예측 능력을 향상시키는가?
• RQ5 기계학습 모델이 장기적 해양 파고 예측에서 전통적인 수치적 방법을 능가할 수 있는가?

주요 결과

• 1일 전망 예측에서 모델은 산란 지수(SI) 0.130과 RMSE 0.14를 기록하여 높은 정확도를 보였다.
• 14일 전망 예측에서는 SI 0.110과 RMSE 0.122를 기록하여 강력한 장기 예측 성능를 입증했다.
• 14일 예측에서 상관계수는 0.98에 도달하여 예측된 파고와 관측된 파고 사이에 강한 선형 관계가 있음을 나타낸다.
• 14일 예측에서 모델의 편향은 -0.001로 극히 미미하여 체계적인 과소 또는 과대 예측이 거의 없다는 것을 보여준다.
• 제안된 방법은 1일 전망 예측 정확도에서 기존 최첨단 방법을 크게 능가한다.
• 결과적으로 기계학습 모델이 14일을 초월하는 더 장기적인 예측 수준으로 신뢰성 있게 연장될 수 있음을 시사한다.