[논문 리뷰] Generative Modeling of High-resolution Global Precipitation Forecasts

John S. Duncan, Shashank Subramanian외 1명|arXiv (Cornell University)|2022. 10. 22.

Meteorological Phenomena and Simulations인용 수 7

한 줄 요약

이 논문은 고해상도 전 세계 강수 예측, 특히 극단적 사건에 대해 향상된 성능을 내기 위해 FourCastNet의 생성적 적대적 네트워크(GAN)-강화된 버전을 제안한다. TSIT 아키텍처를 통해 다중 척도의 의미적 및 스타일 특징을 통합하고 적대적 훈련을 수행함으로써 모델은 세밀한 강수 구조를 포착하고 극단적 백분위수를 더 잘 표현한다. 1–2일 선도에서 최신 기술 수준의 성능을 달성하면서 IFS 성능을 유지한다.

ABSTRACT

Forecasting global precipitation patterns and, in particular, extreme precipitation events is of critical importance to preparing for and adapting to climate change. Making accurate high-resolution precipitation forecasts using traditional physical models remains a major challenge in operational weather forecasting as they incur substantial computational costs and struggle to achieve sufficient forecast skill. Recently, deep-learning-based models have shown great promise in closing the gap with numerical weather prediction (NWP) models in terms of precipitation forecast skill, opening up exciting new avenues for precipitation modeling. However, it is challenging for these deep learning models to fully resolve the fine-scale structures of precipitation phenomena and adequately characterize the extremes of the long-tailed precipitation distribution. In this work, we present several improvements to the architecture and training process of a current state-of-the art deep learning precipitation model (FourCastNet) using a novel generative adversarial network (GAN) to better capture fine scales and extremes. Our improvements achieve superior performance in capturing the extreme percentiles of global precipitation, while comparable to state-of-the-art NWP models in terms of forecast skill at 1--2 day lead times. Together, these improvements set a new state-of-the-art in global precipitation forecasting.

연구 동기 및 목표

• 딥러닝 모델이 전 세계 예측에서 세밀한 강수 구조와 극단적 백분위수를 포착하는 데 한계가 있음을 해결하기 위해.
• 데이터 기반 생성 모델링을 활용해 영향력 있는 극단적 강수 이벤트의 예측 정확도를 향상시키기 위해.
• 조건부 생성적 적대적 신경망(cGAN)과 다중 척도 특징 융합을 통합하여 물리적으로 현실적인 강수 생성을 가능하게 하기 위해.
• 적대적 훈련이 표준 L1 손실 기반 베이스라인 대비 극단적 사건 포착 능력과 전체 예측 정확도를 향상시키는지 평가하기 위해.
• 생성기 내 노이즈 주입 메커니즘을 통해 확률적 추론을 가능하게 하여 확률적 예측을 실현하기 위해.

제안 방법

• 조건부 GAN에 적합한 TSIT 아키텍처를 채택하여 생성기 내에서 다중 척도 조건부 설정과 특징 융합을 가능하게 한다.
• 입력과 생성기 사이에 노이즈 스트림을 도입하여 확률적이고 비결정론적인 추론을 가능하게 하여 확률적 앙상블 예측을 실현한다.
• 다중 척도 패치 기반 판별기를 사용하여 강수 출력에서 국소적이고 전반적인 공간 패턴이 현실적으로 유지되도록 한다.
• 실제성과 정확도를 균형 있게 유지하기 위해 적대적 손실, L1 손실, 그리고 인지적 손실을 조합하여 모델을 훈련시킨다.
• 목표로 하는 자료로 6시간 간격의 누적 강수량을 사용하며, ERA5 재분석 자료(훈련: 1979–2015, 검증: 2016–2017, 테스트: 2018)를 활용한다.
• 세밀한 구조의 훈련 안정성과 시각화 향상을 위해 강수량에 로그정규화를 적용한다.

실험 결과

연구 질문

• RQ1 다중 척도 특징 조건부 설정이 갖는 조건부 GAN이 전 세계 예측에서 세밀한 강수 구조의 표현을 향상시키는가?
• RQ2 적대적 훈련이 L1 손실 기반 베이스라인 대비 극단적 강수 백분위수 포착 능력을 향상시키는가?
• RQ3 1–2일 선도에서 제안된 모델이 IFS 모델의 예측 정확도를 어느 정도 충족하거나 초월하는가?
• RQ4 노이즈 주입을 통한 확률적 추론이 강수 예측의 불확실성 정량화를 위한 의미 있는 확률적 앙상블 예측을 생성하는가?
• RQ5 예측 출력에 스무딩을 적용할 경우, 전역 지표인 ACC와 극단적 사건 표현 간의 상호 보완적 관계는 어떻게 나타나는가?

주요 결과

• 적대적 훈련을 거친 모델은 시각화 결과를 통해 L1 기반 베이스라인과 FourCastNet보다 더 정확하게 세밀한 강수 구조를 포착한다. 특히 남미 지역에서 뚜렷하다.
• 모델은 극단적 강수 백분위수 표현에서 뛰어난 성능을 보이며, L1 기반 모델과 FourCastNet보다 고강도 강우 이벤트를 더 잘 포착한다.
• 1–2일 선도에서 Anomaly Correlation Coefficient(ACC)로 측정된 결과, 모델은 IFS 모델의 예측 정확도를 충족하거나 초월한다.
• 특히 경미한 내지 중간 강수량의 분포를 정확히 포착함으로써, ERA5 진실값과의 일치도가 높다.
• 출력에 가우시안 블러링을 적용하면 극단적 사건 포착 능력은 떨어지지만 ACC는 증가하여 전역 지표와 극단적 사건의 정밀도 사이의 상충 관계를 드러낸다.
• 노이즈 주입을 통한 확률적 예측은 해안가 및 산악 지역과 같이 공간·시간적으로 변동성이 높은 지역에서 높은 분산을 보이며, 타당한 불확실성 정량화를 나타낸다.