[논문 리뷰] Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison

Benedikt Schulz, Sebastian Lerch|arXiv (Cornell University)|2021. 06. 17.

Meteorological Phenomena and Simulations참고 문헌 70인용 수 106

한 줄 요약

이 논문은 독일 기상청의 고해상도 데이터 6년치를 활용해 8종의 통계 및 기계학습 방법을 이용한 집합 풍속 예측 후처리에 대한 체계적인 비교를 제안한다. 신경망 기반 접근 방식—특히 추가 기상 예측 변수를 통합한 유연하고 국소 적응형 프레임워크—가 물리적으로 일관된 관계를 학습함으로써, 특히 일일 대류권 경계층 전이와 관련된 분야에서 전통적 방법을 뛰어넘는 성능을 보여준다.

ABSTRACT

Postprocessing ensemble weather predictions to correct systematic errors has become a standard practice in research and operations. However, only few recent studies have focused on ensemble postprocessing of wind gust forecasts, despite its importance for severe weather warnings. Here, we provide a comprehensive review and systematic comparison of eight statistical and machine learning methods for probabilistic wind gust forecasting via ensemble postprocessing, that can be divided in three groups: State of the art postprocessing techniques from statistics (ensemble model output statistics (EMOS), member-by-member postprocessing, isotonic distributional regression), established machine learning methods (gradient-boosting extended EMOS, quantile regression forests) and neural network-based approaches (distributional regression network, Bernstein quantile network, histogram estimation network). The methods are systematically compared using six years of data from a high-resolution, convection-permitting ensemble prediction system that was run operationally at the German weather service, and hourly observations at 175 surface weather stations in Germany. While all postprocessing methods yield calibrated forecasts and are able to correct the systematic errors of the raw ensemble predictions, incorporating information from additional meteorological predictor variables beyond wind gusts leads to significant improvements in forecast skill. In particular, we propose a flexible framework of locally adaptive neural networks with different probabilistic forecast types as output, which not only significantly outperform all benchmark postprocessing methods but also learn physically consistent relations associated with the diurnal cycle, especially the evening transition of the planetary boundary layer.

연구 동기 및 목표

• 풍속 예측 후처리에 대한 종합적인 연구 부족 문제를 해결하기 위해, 극기 경보에 핵심적인 변수인 풍속 예측에 초점을 맞춘다.
• 확률적 풍속 예측에 특화된 다양한 통계 및 기계학습 방법을 체계적으로 비교하기 위해 노력한다.
• 원시 풍속 집합 예측 출력 이외의 추가 기상 예측 변수를 통합할 경우의 영향을 평가한다.
• 고급 기계학습 모델이 일일 주기와 연관된 물리적으로 일관된 관계를 학습할 수 있는지 조사한다.
• 다양한 확률 예측 유형을 지원할 수 있는 유연하고 모듈러한 신경망 기반 후처리 프레임워크를 제공한다.

제안 방법

• 본 연구는 8종의 후처리 방법을 평가한다: 통계적 방법 3종(EMOS, MBM, IDR), 기존 기계학습 방법 2종(EMOS-GB, QRF), 신경망 기반 방법 3종(DRN, BQN, HEN).
• 모든 방법은 독일 내 175개 지상 기상관측소와 20개의 대류 허용 집합 예측 시스템(COSMO-DE-EPS)으로부터의 시간당 6년치 데이터를 기반으로 학습된다.
• 신경망 기반 프레임워크(DRN, BQN, HEN)는 풍속, 온도, 습도 및 대규모 예측 변수를 입력 특징으로 사용하며, 출력은 비모수적 분포에서 양자수 함수 및 히스토그램까지 다양하다.
• 특징 중요도는 순열 중요도를 통해 평가되며, 시간 경과에 따른 역동성을 분석하기 위해 주요 예측 시간대에 따라 시각화된다.
• 모델 평가에는 적절한 점수 규칙(CRPS 등)과 신뢰성 도표를 활용하여 校정성과 날카로움을 평가한다.
• 모듈러하고 국소 적응형 설계를 통해 여러 기상관측소와 예측 시간대에 걸쳐 공동 모델링이 가능해져 예측 일관성이 향상된다.

실험 결과

연구 질문

• RQ1 풍속 예측에 대한 다양한 기계학습 및 통계적 후처리 방법 간 예측 성능는 어떻게 비교되는가?
• RQ2 풍속 이외의 추가 기상 예측 변수(예: 온도, 습도, 바람 속도 등)를 포함할 경우 예측 정확도는 어느 정도 향상되는가?
• RQ3 신경망 기반 모델은 일일 대류권 경계층 전이와 연관된 물리적으로 일관된 관계를 학습할 수 있는가?
• RQ4 특징 중요도 패턴은 예측 시간대와 모델에 따라 어떻게 변화하는가? 이는 기상학적 과정에 대한 통찰을 어떻게 드러내는가?
• RQ5 모듈러하고 다용도 가능한 신경망 프레임워크는 기존 기준 방법을 능가할 수 있으며, 물리적 타당성은 유지할 수 있는가?

주요 결과

• 모든 후처리 방법이 원시 집합 예측에 비해 교정성 향상과 체계적 오차 감소를 크게 개선한다.
• 온도, 습도, 바람 속도 등 추가 기상 예측 변수를 통합함으로써 모든 방법에서 예측 정확도가 상당히 향상된다.
• 신경망 기반 모델(DRN, BQN, HEN)은 CRPS와 신뢰성 측면에서 모든 기준 방법을 뛰어넘는 일관된 성능을 보이며, HEN 버전에서 가장 뛰어난 성능을 보였다.
• 제안된 모듈러하고 국소 적응형 신경망 프레임워크는 물리적으로 일관된 관계를 학습하며, 특히 대류권 경계층의 저녁 전이를 잘 포착한다.
• 순열 중요도 분석 결과, 풍속 집합 예측의 산란과 온도 관련 변수가 가장 영향력 있는 예측 변수로 나타났으며, 이들의 중요도는 예측 시간대에 따라 체계적으로 변화했다.
• DRN, BQN, HEN 모델는 강건성과 적응성을 입증했으며, 특징 중요도 패턴이 일일 주기 및 폭풍 관련 과정과 같은 알려진 기상학적 역학과 일치함을 확인했다.