[논문 리뷰] Global Extreme Heat Forecasting Using Neural Weather Models

Ignacio Lopez‐Gomez, Amy McGovern외 2명|arXiv (Cornell University)|2022. 05. 23.

Meteorological Phenomena and Simulations인용 수 14

한 줄 요약

이 논문은 극단적인 기온 이상 현상에 초점을 맞춘 맞춤형 손실 함수를 사용하여 신경 기상 모델(NWMs)을 훈련시켜 글로벌 초기상 기상 예측 성능을 향상시키는 방법을 제안한다. 지수 손실, 특히 대칭 지수 손실을 사용해 극단적인 사건에 최적화함으로써, 표준 NWMs와 지속성 예측보다 뚜렷이 뛰어난 성능을 보이며, ECMWF 수준의 초기상 예측 능력을 달성하면서도 훨씬 낮은 계산 비용을 유발한다.

ABSTRACT

Heat waves are projected to increase in frequency and severity with global warming. Improved warning systems would help reduce the associated loss of lives, wildfires, power disruptions, and reduction in crop yields. In this work, we explore the potential for deep learning systems trained on historical data to forecast extreme heat on short, medium and subseasonal timescales. To this purpose, we train a set of neural weather models (NWMs) with convolutional architectures to forecast surface temperature anomalies globally, 1 to 28 days ahead, at $\sim200~\mathrm{km}$ resolution and on the cubed sphere. The NWMs are trained using the ERA5 reanalysis product and a set of candidate loss functions, including the mean squared error and exponential losses targeting extremes. We find that training models to minimize custom losses tailored to emphasize extremes leads to significant skill improvements in the heat wave prediction task, compared to NWMs trained on the mean squared error loss. This improvement is accomplished with almost no skill reduction in the general temperature prediction task, and it can be efficiently realized through transfer learning, by re-training NWMs with the custom losses for a few epochs. In addition, we find that the use of a symmetric exponential loss reduces the smoothing of NWM forecasts with lead time. Our best NWM is able to outperform persistence in a regressive sense for all lead times and temperature anomaly thresholds considered, and shows positive regressive skill compared to the ECMWF subseasonal-to-seasonal control forecast after two weeks.

연구 동기 및 목표

• 데이터 기반 딥 러닝 모델을 사용해 역사적 기상 예측 데이터를 기반으로 글로벌 극단적 폭기 예측 성능을 향상시키기.
• 물리 기반 모델이 폭기 예측에서 10일 이상의 예측 기간을 초과할 경우 어려움을 겪는 한계를 해결하기.
• 일반 목적의 NWMs가 일반 예측 성능을 희생시키지 않고도 극단적 사건 예측에 대해 최적화 조정될 수 있는지 평가하기.
• 극단적인 기온 이상 현상에 초점을 맞춘 맞춤형 손실 함수가 예측의 날카움과 정확도를 향상시키는지 조사하기.
• 최소한의 재훈련으로도 전이 학습을 통해 극단적 폭기 예측 성능 향상이 가능함을 입증하기.

제안 방법

• 에라5 재분석 데이터를 기반으로 200km 해상도의 입방체 구면에서 2m 기온 이상치를 예측하는 컨volutional 신경 기상 모델(NWMs)을 훈련한다.
• 다중 척도 아키텍처를 사용해 전 세계 대기 필드를 처리하고, 1~28일 후의 기온 이상치를 예측한다.
• 다양한 손실 함수를 사용해 모델을 훈련한다: 평균 제곱 오차(MSE), 표준 지수 손실, 대칭 지수 손실.
• 기존에 훈련된 NWM을 극단적 사건 예측에 맞게 몇 에포크 동안만 재훈련하여 전이 학습을 적용한다.
• 유한한 테스트 세트에서 예측 지표의 불확실성을 추정하기 위해 연간 분리된 블록 부트스트랩 기법을 사용한다.
• 고기온 이상 현상 조건 하에 중심 이상 상관관계, 편향 보정된 RMSE 등의 회귀 기반 성능 지표를 사용해 모델을 평가한다.

실험 결과

연구 질문

• RQ1 역사적 재분석 데이터를 기반으로 훈련된 딥 러닝 모델이 효과적인 대응 조치를 위한 충분한 예측 리드 타임을 확보하면서 글로벌 극단적 폭기 사건을 예측할 수 있는가?
• RQ2 극단적인 기온 이상 현상에 중점을 둔 맞춤형 손실 함수를 사용해 훈련한 NWMs가 표준 MSE 손실을 사용한 경우보다 예측 정확도가 향상되는가?
• RQ3 극단적 사건에 초점을 맞춘 훈련이 일반 기상 예측 성능을 저하시키지 않고도 예측 성능 향상을 이룰 수 있는가?
• RQ4 대칭 지수 손실을 사용할 경우 시간이 지남에 따라 예측의 날카움과 분포의 정확성은 어떻게 영향을 받는가?
• RQ5 최소한의 재훈련으로 전이 학습을 수행할 경우 극단적 폭기 예측 성능 향상은 어느 정도 달성될 수 있는가?

주요 결과

• 대칭 지수 손실을 사용해 훈련한 NWMs는 특히 장기 예측 리드 타임에서 표준 MSE로 훈련된 모델보다 극단적 폭기 사건 예측 성능이 뛰어나다.
• 가장 뛰어난 성능을 보인 모델(ExtNet)은 테스트된 모든 리드 타임과 기온 이상치 임계값에서 지속성 예측보다 회귀 기반 성능이 뛰어나다.
• 리드 타임이 두 주가 넘은 후, ExtNet은 ECMWF의 초기상-기상 제어 예측보다도 양적인 회귀 기반 성능을 보인다.
• 맞춤형 손실 훈련은 일반 기상 예측 성능에 거의 영향을 주지 않으면서도 극단 예측 성능을 향상시킨다.
• 대칭 지수 손실은 리드 타임이 증가함에 따라 예측의 부드러움을 줄여 예측의 날카움을 유지한다.
• 극단적 예측에 특화된 손실 함수를 몇 에포크 동안만 재훈련하여 전이 학습을 수행함으로써, 전체 재훈련이 필요 없이도 뚜렷한 성능 향상이 이루어진다.