[논문 리뷰] MetNet: A Neural Weather Model for Precipitation Forecasting

Casper Kaae Sønderby, Lasse Espeholt외 7명|arXiv (Cornell University)|2020. 03. 24.

Meteorological Phenomena and Simulations참고 문헌 26인용 수 306

한 줄 요약

MetNet은 레이더와 위성 입력을 사용하여 1 km2 공간 해상도와 2분 시간 해상도로 최대 8시간 앞까지 강수를 예측하며, 축 방향 자기 주의(axial self-attention)를 활용하고, 대륙 미국 규모에서 NOAA HRRR보다 성능이 우수하다.

ABSTRACT

Weather forecasting is a long standing scientific challenge with direct social and economic impact. The task is suitable for deep neural networks due to vast amounts of continuously collected data and a rich spatial and temporal structure that presents long range dependencies. We introduce MetNet, a neural network that forecasts precipitation up to 8 hours into the future at the high spatial resolution of 1 km$^2$ and at the temporal resolution of 2 minutes with a latency in the order of seconds. MetNet takes as input radar and satellite data and forecast lead time and produces a probabilistic precipitation map. The architecture uses axial self-attention to aggregate the global context from a large input patch corresponding to a million square kilometers. We evaluate the performance of MetNet at various precipitation thresholds and find that MetNet outperforms Numerical Weather Prediction at forecasts of up to 7 to 8 hours on the scale of the continental United States.

연구 동기 및 목표

• 높은 공간/시간 해상도로 넓은 지역의 강수 예측이 가능한 신경망의 가능성을 Demonstrate한다.
• 직접적인 확률 예측이 물리적 PDE 기반 모델링 없이도 불확실성을 포착할 수 있음을 Show한다.
• 기상 예측에서 큰 공간 맥락과 빠르고 병렬화된 추론의 이점을 Investigate 한다.
• MetNet을 전통적 NWP 시스템 및 기준선과 Lead time up to 8 hours까지 비교한다.

제안 방법

• MRMS radar, GOES-16 satellite data, 및 정적 지리 위치 특징을 1024x1024 km 지역에 걸쳐 포착하는 4차원 입력 패치를 사용한다.
• Lead time 정보를 입력 특징으로 인코딩하여 MetNet의 대상 Lead time을 조건부로 설정한다.
• 0에서 102.4 mm/h까지의 강수량을 0.2 mm/h 간격으로 나타내는 512-bin 범주 분포를 출력한다.
• 각 시간 슬라이스를 Spatial Downsampler로 처리한 후 Temporal Encoder(ConvLSTM)로 시간적 동역학을 포착한다.
• 전역 수용 필드를 효율적으로 달성하기 위해 8-layer axial self-attention Spatial Aggregator를 적용한다.
• 학습 안정화 및 불확실성 포착을 위해 이산화된 타깃 분포로 학습한다.

실험 결과

연구 질문

• RQ1 MetNet이 Continental US에서 2–8시간 강수 예측에 대해 운영 NWP 시스템(HRRR 등)을 능가할 수 있는가?
• RQ2 공간 및 시간 맥락을 증가시킬 때 다양한 강수 임계값에 대한 예측 정확도는 어떻게 달라지는가?
• RQ3 Lead time에 따라 MRMS와 GOES-16 데이터의 기여도는 MetNet의 성능에 어떤 영향을 미치는가?
• RQ4 신경 기상 모델이 실시간 사용에 적합한 실용적 지연 시간으로 보정된 확률 예측을 제공할 수 있는가?
• RQ5 NWMs에서 공간 맥락, 시간 맥락 및 모델 아키텍처 간의 균형은 무엇인가?

주요 결과

• MetNet은 Continetial US에서 8시간까지의 예측에서 여러 임계값에 대해 HRRR보다 상당히 우수하다.
• MetNet의 성능은 더 큰 공간 맥락에서 향상되며, 제한된 맥락 연구에서 약 150분 Lead time를 넘어서 degrad가 나타난다.
• 짧은 Lead time에서 MRMS 데이터의 기여가 더 크고, 더 긴 Lead time에서 GOES-16 데이터의 상대적 유용성이 증가한다.
• MetNet은 Lead time과 관계없이 병렬 계산으로 거의 초 단위의 지연 시간을 달성한다.
• MetNet은 1024x1024 km 입력 패치와 64x64 km 대상 패치를 사용하여 맥락과 해상도의 균형을 맞춘다.
• Ablation 연구는 512 km를 넘어서는 공간 맥락과 90분까지의 시간 맥락 포착의 중요성을 시사한다.