[논문 리뷰] Increasing the accuracy and resolution of precipitation forecasts using deep generative models

Ilan Price, Stephan Rasp|arXiv (Cornell University)|2022. 03. 23.

Meteorological Phenomena and Simulations인용 수 39

한 줄 요약

본 논문은 CorrectorGAN을 소개하는데, 이는 글로벌 거친 강수 예보를 고해상도 확률 예보로 보정하고 다운스케일하는 조건부 GAN이며, 비용의 일부로 지역 모델에 근접한 성능을 달성한다.

ABSTRACT

Accurately forecasting extreme rainfall is notoriously difficult, but is also ever more crucial for society as climate change increases the frequency of such extremes. Global numerical weather prediction models often fail to capture extremes, and are produced at too low a resolution to be actionable, while regional, high-resolution models are hugely expensive both in computation and labour. In this paper we explore the use of deep generative models to simultaneously correct and downscale (super-resolve) global ensemble forecasts over the Continental US. Specifically, using fine-grained radar observations as our ground truth, we train a conditional Generative Adversarial Network -- coined CorrectorGAN -- via a custom training procedure and augmented loss function, to produce ensembles of high-resolution, bias-corrected forecasts based on coarse, global precipitation forecasts in addition to other relevant meteorological fields. Our model outperforms an interpolation baseline, as well as super-resolution-only and CNN-based univariate methods, and approaches the performance of an operational regional high-resolution model across an array of established probabilistic metrics. Crucially, CorrectorGAN, once trained, produces predictions in seconds on a single machine. These results raise exciting questions about the necessity of regional models, and whether data-driven downscaling and correction methods can be transferred to data-poor regions that so far have had no access to high-resolution forecasts.

연구 동기 및 목표

• 기후 변화로 인한 극한 현상 증가 속에서 정확하고 고해상도 강수 예보의 필요성을 다룬다.
• 전 세계 저해상도 예보의 편향을 보정하고 4 km 해상도로 다운스케일하는 데이터 기반 접근법을 개발한다.
• 현실적인 공간 의존성 및 보정된 확률 분포를 갖는 고해상도 예보 필드의 앙상블을 생성한다.
• 보간, 순수 초해상화, CNN 기반 방법 및 지역 고해상도 모델(HREF)을 포함한 벤치마크 대비 평가한다.
• 단일 기계에서의 빠른 추론이 가능한 계산 효율성을 입증한다.

제안 방법

• _corrector가 보정된 저해상도 표현을 생성하고 초해상도로 업스케일하는 두 단계의 제너레이터를 개발한다.
• 로깅 변환 전처리와 FSS 기반 손실을 사용하는 Stage 1(저해상도 보정), 고해상도 출력에 대한 L1 손실을 추가하는 Stage 2(고해상도 사전 학습), Wasserstein GAN 손실 및 보조 L_LR 및 L_HR 항을 이용하는 Stage 3(GAN 학습)로 구성된 3단계 regime으로 학습한다.
• 판별기는 고해상도 관측치와 저해상도 예측치를 처리하고, 이들의 표현을 융합하여 그럴듯함과 Ground-truth 일관성을 평가한다.
• 4채널 입력(16x16 TIGGE 앙상블 멤버 및 맥락 변수)과 16x16에서 128x128 초해상도 보정 네트워크를 사용한다.
• 판별자는 그래디언트 패널티가 있는 Wasserstein 손실로 최적화하고, 보정된 고해상도 출력과 Ground Truth 간의 단기/장기 일관성을 촉진하는 다중 항 제너레이터 손실로 최적화한다.

실험 결과

연구 질문

• RQ1 데이터 기반 생성 모델이 글로벌 관측의 편향을 보정하면서도 고해상도로 다운스케일링할 수 있는가?
• RQ2 CorrectorGAN이 생성한 보정된 고해상도 예보가 벤치마크 및 지역 모델과 비교하여 신뢰할 수 있는 확률 예보를 제공하는가?
• RQ3 다운스케일되고 보정된 글로벌 모델 접근 방식이 확률 메트릭 측면에서 최첨단 지역 고해상도 예보에 얼마나 근접할 수 있는가?
• RQ4 추가 기상 맥락 및 앙상블 입력을 포함하는 것이 다운스케일링 및 편향 보정 성능에 미치는 영향은 무엇인가?

주요 결과

• CorrectorGAN은 1mm, 5mm, 10mm 및 30mm 임계값에서 보간, 순수 초해상화 GAN 및 BG-CNN 벤치마크보다 CRPS 및 Brier Scores에서 우수한 성능을 보인다.
• CorrectorGAN의 CRPS는 0.574로 HREF의 0.562에 근접하며, TIGGE 보간(0.605) 및 Pure-SR GAN(0.61)보다 현저히 우수하다.
• 1mm, 5mm, 10mm 및 30mm 임계값에서 CorrectorGAN은 각각 0.06, 0.034, 0.02, 0.0024의 Brier Scores를 달성해 극한 임계값에서 HREF에 근접한다.
• HREF는 일반적으로 모든 모델 중 가장 우수하게 수행하며, CorrectorGAN은 특히 극한 강수(30 mm)에서 HREF의 신뢰도에 근접한 성능을 보인다.
• 추론 시 모델이 단일 기계에서 고해상도 예보를 빠르게 제공하여 확장 가능한 응용을 가능하게 한다.