[논문 리뷰] Forecasting Tropical Cyclones with Cascaded Diffusion Models

Pritthijit Nath, Pancham Shukla외 2명|arXiv (Cornell University)|2023. 10. 02.

Tropical and Extratropical Cyclones ResearchEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 기후 변화로 인한 폭풍의 강화에 대비해 저비용으로 정확한 토네이도 예측이 가능한 캐스케이드드 디퓨전 모델 프레임워크를 제안한다. 이는 IR 10.8µm 위성 데이터와 ERA5 대기 재분석 자료를 사용하여 6개 해역의 51개 토네이도를 대상으로 훈련한다. 모델은 소비자용 GPU에서도 높은 성능을 발휘하여 36시간 예측에서 SSIM > 0.5 및 PSNR > 20 dB를 달성하며, 취약 지역에 비용 효율적인 솔루션을 제공한다.

ABSTRACT

As tropical cyclones become more intense due to climate change, the rise of Al-based modelling provides a more affordable and accessible approach compared to traditional methods based on mathematical models. This work leverages generative diffusion models to forecast cyclone trajectories and precipitation patterns by integrating satellite imaging, remote sensing, and atmospheric data. It employs a cascaded approach that incorporates three main tasks: forecasting, super-resolution, and precipitation modelling. The training dataset includes 51 cyclones from six major tropical cyclone basins from January 2019 - March 2023. Experiments demonstrate that the final forecasts from the cascaded models show accurate predictions up to a 36-hour rollout, with excellent Structural Similarity (SSIM) and Peak-Singal-To-Noise Ratio (PSNR) values exceeding 0.5 and 20 dB, respectively, for all three tasks. The 36-hour forecasts can be produced in as little as 30 mins on a single Nvidia A30/RTX 2080 Ti. This work also highlights the promising efficiency of Al methods such as diffusion models for high-performance needs in weather forecasting, such as tropical cyclone forecasting, while remaining computationally affordable, making them ideal for highly vulnerable regions with critical forecasting needs and financial limitations. Code accessible at https://github.com/nathzi1505/forecast-diffmodels.

연구 동기 및 목표

• 기후 변화로 인해 강화되는 폭풍에 대비해 정확하고 저비용의 토네이도 예측의 증가하는 수요를 해결한다.
• 기존 초고성능 컴퓨터 기반 모델의 한계를 극복하기 위해 AI를 활용해 계산 비용을 줄이고 접근성을 높인다.
• 예측, 초해상도 복원, 강수량 모델링을 통합한 엔드 투 엔드 토네이도 예측을 위한 캐스케이드드 디퓨전 모델 아키텍처를 개발한다.
• 공개된 자료를 사용해 6개 주요 해역의 51개 토네이도를 포함한 다양한 데이터셋에서 뛰어난 예측 성능을 입증한다.
• 재정적으로 제약이 있는 고위험 지역에서 실시간 예측을 지원하기 위해 단일 소비자용 GPU에서의 효율적인 배포를 최적화한다.

제안 방법

• 예측(64×64), 초해상도 복원(128×128), 강수량 모델링(64×64)을 위한 세 가지 작업별 U-Net 기반 디퓨전 모델을 캐스케이드드 파이프라인으로 활용하며, 각 모델은 t+1 시점의 예측된 ERA5 자료에 조건을 부여한다.
• 학습 안정성 향상과 생성 품질 향상을 위해 분류기 없는 가이던스, 동적 임계값 설정, 지수 이동 평균 가중치를 적용한다.
• 내성 및 일반화 능력을 향상시키기 위해 rotate90 및 저해상도 노이즈 주입 등의 데이터 증강 기법을 적용한다.
• 일致한 평가를 보장하기 위해 경계 상자 자르기, 메타데이터 정렬, 지역 기반 훈련/테스트 분할(80/20)을 포함한 맞춤형 데이터 파이프라인을 구현한다.
• 출력 일관성 유지 및 강수량 지도의 노이즈 감소를 위해 min-max 정규화와 최소 필터 후처리 단계를 적용한다.
• 2019~2023년 동안의 IR 10.8µm 및 ERA5 재분석 자료를 사용해 6개 해역의 51개 토네이도로 구성된 맞춤형 데이터셋을 기반으로 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 캐스케이드드 디퓨전 모델은 위성 및 대기 재분석 자료만을 사용해 토네이도 이동 경로와 강수 패턴을 효과적으로 예측할 수 있는가?
• RQ2 기존 시뮬레이션 기반 방법과 비교해 캐스케이드드 디퓨전 모델 아키텍처의 정확도 및 계산 비용 측면에서 성능은 어떠한가?
• RQ3 제안된 모델의 유효 예측 유효 기간은 얼마이며, 예측 정확도가 크게 떨어지기 시작하는 지점은 언제인가?
• RQ4 예측 품질을 손상시키지 않고도 단일 소비자용 GPU에서 효율적으로 훈련 및 배포가 가능한가?
• RQ5 SSIM, PSNR, MAE, FID와 같은 주요 지표가 예측, 초해상도 복원, 강수량 모델링 작업 전반에서 어떻게 성능을 발휘하는가?

주요 결과

• 예측 모델은 테스트 세트에서 PSNR 24.359 dB 및 SSIM 0.572를 달성하여 20 dB 및 0.5 기준을 초과함으로써 고품질 이미지 복원 능력을 입증한다.
• 초해상도 복원 모델은 PSNR 25.760 dB 및 SSIM 0.658를 기록하여 저해상도 예측에서 고해상도 위성 이미지를 효과적으로 생성하는 능력을 보여준다.
• 강수량 모델링 작업은 가장 높은 PSNR(25.943 dB)와 SSIM(0.643)를 기록하며 FID 점수 0.907로 현실적이고 다양한 강수 패턴 생성 능력을 입증한다.
• 롤아웃 분석 결과, 모든 토네이도 예측에서 약 36시간 지점에서 SSIM가 일관되게 감소함을 확인하여 약 36시간의 신뢰할 수 있는 예측 유효 기간을 확인한다.
• 모든 모델에서 정규화된 이미지의 MAE 값이 0.25 이하이며, 모든 작업에서 FID 점수가 1.0 이하로 유지되어 실제 데이터와 높은 유사성과 정밀도를 확인한다.
• 전체 시스템은 단일 NVIDIA RTX 2080 Ti GPU에서 효율적으로 작동하도록 최적화되어 있어, 자원이 제한된 지역에서 실시간 배포에 있어 계산 비용 효율성이 뛰어나다는 점을 입증한다.