[논문 리뷰] Machine Learning for Precipitation Nowcasting from Radar Images

Shreya Agrawal, Luke Barrington외 4명|arXiv (Cornell University)|2019. 12. 11.

Meteorological Phenomena and Simulations참고 문헌 14인용 수 239

한 줄 요약

본 논문은 강수 예측(nowcasting)을 이미지-대-이미지 변환으로 간주하고 U-Net을 사용하여 MRMS 레이더 시퀀스로부터 1시간 ahead, 해상도 1 km의 레이더 기반 강수를 예측하며 지속 예보, 광학 흐름, HRRR에 비해 단기 예측에서 우수한 성능을 보입니다. HRRR은 약 5시간 정도 이후에 앞서나갑니다.

ABSTRACT

High-resolution nowcasting is an essential tool needed for effective adaptation to climate change, particularly for extreme weather. As Deep Learning (DL) techniques have shown dramatic promise in many domains, including the geosciences, we present an application of DL to the problem of precipitation nowcasting, i.e., high-resolution (1 km x 1 km) short-term (1 hour) predictions of precipitation. We treat forecasting as an image-to-image translation problem and leverage the power of the ubiquitous UNET convolutional neural network. We find this performs favorably when compared to three commonly used models: optical flow, persistence and NOAA's numerical one-hour HRRR nowcasting prediction.

연구 동기 및 목표

• 기후 적응 및 재해 대응을 지원하기 위한 고해상도 nowcasting의 필요성을 제시한다.
• 레이더 이미지를 이용한 데이터 기반의 저지연 nowcasting 모델을 개발한다.
• CNN 기반 nowcasting과 전통적 방법(지속 예보, 광학 흐름, HRRR)을 비교한다.
• 대륙 미국 전역의 1 km x 1 km 타일에서 작동시키고 다수의 강수 타일 샘플링으로 데이터 희소성을 해결한다.

제안 방법

• nowcasting을 U-Net CNN을 이용한 이미지-투-이미지 번역으로 처리한다.
• 하루 동안 10분 간격으로 수집된 7개의 MRMS 이미지의 시퀀스를 입력으로 사용하고 채널에는 시간대 및 픽셀 위도/경도를 포함한다.
• 마지막 입력 이미지의 1시간 뒤 MRMS 이미지를 출력으로 하며 강수 임계값으로 양자화한다.
• 이미지 라벨은 네 가지 구간으로 양자화한다: [0,0.1),[0.1,1.0),[1.0,2.5),[2.5,∞).
• 픽셀별 교차 엔트로피 손실과 ADADELTA 최적화를 사용하고 긴 스킵 연결 및 블록 내 짧은 스킵 연결을 포함한다.

실험 결과

연구 질문

• RQ1 U-Net 기반 CNN이 짧은 레이다 기록으로부터 1시간 ahead의 1 km 해상도 강수를 정확히 예측할 수 있는가?
• RQ2 CNN 기반 nowcasting 모델이 MRMS 지속 예보, 광학 흐름, 그리고 HRRR의 1시간 예측보다 우수한가?
• RQ3 타일 기반 학습 및 강수 타일의 과샘샘샘(oversampling)이 예측 성능에 미치는 영향은 무엇인가?
• RQ4 시간대 및 위치 특성 같은 입력 모달리티가 nowcasting 정확도를 향상시키는가?

주요 결과

• CNN 기반 모델은 단기 nowcasting에서 지속 예보, 광학 흐름 및 HRRR의 1시간 예측보다 우수한 성능을 보인다.
• 1시간 예측에서는 HRRR이 아직 CNN 접근 방식보다 우수하지 않으며, HRRR의 성능은 예측 창이 길어질수록 (약 5시간) CNN에 비해 향상된다.
• 대륙 미국 전역의 1 km x 1 km 타일을 사용하고 80%의 타일에 강수가 있도록 과샘샘샘(oversampling)하여 클래스 불균형을 해결한다.
• 예측은 픽셀당 임계값 기반 확률로 구성되어 강수율에 대한 명시적 확률적 표현이 가능하다.
• 모델은 2018년 MRMS 데이터를 학습하고 2017년 및 2019년 반기에 대해 테스트하여 연구 기간 내 연도 간 일반화를 시사한다.