[논문 리뷰] Intensity Prediction of Tropical Cyclones using Long Short-Term Memory Network

Koushik Biswas, Sandeep Kumar외 1명|arXiv (Cornell University)|2021. 07. 07.

Tropical and Extratropical Cyclones Research인용 수 12

한 줄 요약

이 논문은 역사적 기상 데이터(바람 세기, 기압, 해수면 온도, 시기 위치 포함)를 사용하여 북인도양에서 태풍의 강도를 최대 72시간 전에 예측하기 위해 스택드 양방향 장단기 기억(비LSTM) 네트워크를 제안한다. 모델은 3시간 예측에서 평균 절대 오차(MAE)가 1.52노트, 72시간 예측에서 11.92노트를 기록하여 점진적이고 급격한 강도 변화 모두를 높은 정확도와 강건성으로 예측함을 보여준다.

ABSTRACT

Tropical cyclones can be of varied intensity and cause a huge loss of lives and property if the intensity is high enough. Therefore, the prediction of the intensity of tropical cyclones advance in time is of utmost importance. We propose a novel stacked bidirectional long short-term memory network (BiLSTM) based model architecture to predict the intensity of a tropical cyclone in terms of Maximum surface sustained wind speed (MSWS). The proposed model can predict MSWS well advance in time (up to 72 h) with very high accuracy. We have applied the model on tropical cyclones in the North Indian Ocean from 1982 to 2018 and checked its performance on two recent tropical cyclones, namely, Fani and Vayu. The model predicts MSWS (in knots) for the next 3, 12, 24, 36, 48, 60, and 72 hours with a mean absolute error of 1.52, 3.66, 5.88, 7.42, 8.96, 10.15, and 11.92, respectively.

연구 동기 및 목표

• 태풍으로 인한 사회적·경제적 피해가 크기 때문에 북인도양에서 장기적 태풍 강도 예측을 향상시키기 위해.
• 기존의 통계적 및 수치 모델의 정확도와 계산 효율성 부족 문제를 해결하기 위해.
• 다중 미래 시점에서 최대 지속 풍속(MSWS)의 연속적인 변화를 예측할 수 있는 딥러닝 모델을 개발하기 위해.
• 높은 시간 해상도로 향후 72시간까지 MSWS를 예측함으로써 조기 및 정확한 경보를 가능하게 하기 위해.
• 비LSTM 네트워크가 순차적인 기상 특징에서 태풍의 진화 과정을 복잡한 비선형 시간적 종속성을 효과적으로 포착할 수 있음을 입증하기 위해.

제안 방법

• 태풍의 순차적 기상 시계열 데이터를 모델링하기 위해 스택드 양방향 장단기 기억(BiLSTM) 네트워크를 사용한다.
• 입력 특징으로는 위도, 경도, MSWS, 추정 중심 기압, 거리, 방향, 정규 시간 간격의 해수면 온도(SST)가 포함된다.
• 모델은 과거 관측 시퀀스를 입력으로 사용하여 향후 72시간 이내의 MSWS 값을 예측하도록 훈련된다.
• 아키텍처는 시간 시리즈의 과거 및 미래 맥락을 모두 포착하여 시간 표현 학습을 향상시키기 위해 양방향 처리를 활용한다.
• 모델 훈련은 평균 절대 오차(MAE)와 근미분 제곱 오차(RMSE)를 최적화 목표로 하며, 평가를 위해 5중 교차 검증을 사용한다.
• 일반화 능력을 테스트하기 위해 훈련 데이터에 포함되지 않은 최근 태풍인 파니와 바유를 대상으로 평가한다.

실험 결과

연구 질문

• RQ1 비LSTM 기반 모델이 장기적인 미래 시점(최대 72시간)에서 태풍 강도를 높은 정확도로 예측할 수 있는가?
• RQ2 모델은 급격한 강도 변화(예: 급격한 강화 또는 안정화)를 효과적으로 포착하는가?
• RQ3 입력으로 사용하는 과거 시간 포인트 수를 늘리면 향후 MSWS 예측 정확도가 유의미하게 향상되는가?
• RQ4 훈련 중에 볼 수 없었던 태풍(예: 파니와 바유)에 대해 모델의 일반화 능력이 뛰어나게 되는가?
• RQ5 여러 미래 시점에서 MAE와 RMSE 측면에서 기존의 통계적 및 수치 모델과 비교해 볼 때 모델의 성능은 어떠한가?

주요 결과

• 3시간 예측에서 모델은 MSWS 예측의 평균 절대 오차(MAE)가 1.52노트로 나타나며, 72시간 예측에서는 11.92노트로 증가한다.
• 24시간 이내 예측의 경우 MAE가 6노트 이하를 유지하여 MSWS 분류 기준 15노트 범위 내에 들어가, 시기성 폭풍의 신뢰성 있는 등급 예측(≥3)이 가능하다.
• 장기 예측(예: 72시간)에서도 모델은 정확도를 유지하며, MAE가 급격히 증가하기보다는 점진적으로 증가함으로써 안정적인 장기 예측 능력을 보여준다.
• 훈련 데이터에서 강도 패턴이 일관되지 않았음에도 불구하고, 파니와 바유 태풍에 대한 정확한 예측을 통해 증가 및 안정화 강도 추세를 효과적으로 포착함을 입증하였다.
• 입력 시퀀스 길이(T₁)를 4에서 8개 시간 포인트로 늘였을 때 MAE가 1.54에서 1.52로 약간 향상되며, 이는 모델이 초기 데이터 포인트에서 대부분의 정보를 학습함을 시사하며, 계산 오버헤드를 줄이는 데 기여한다.
• 단일 시점 예측 방법보다 다중 미래 시점에서의 정확도를 종합적으로 제공하므로, 운영용 조기 경보 시스템에 더 적합하다는 점에서 모델이 뛰어난 성능을 보였다.