[논문 리뷰] PlumeNet: Large-Scale Air Quality Forecasting Using A Convolutional LSTM Network

Antoine Alléon, Grégoire Jauvion외 2명|arXiv (Cornell University)|2020. 06. 14.

Air Quality Monitoring and Forecasting참고 문헌 22인용 수 11

한 줄 요약

PlumeNet는 유럽과 미국 전역에서 0.5° 해상도로 NO₂, O₃, PM₂.₅, PM₁₀를 예측하는 대규모 대기질 예측 시스템을 제안한다. 이 시스템은 실시간 대기질 측정치, 기상 예측 및 대기질 물리화학 모델(AQPCM) 출력을 통합한 컨volutional LSTM 신경망 기반으로 구축되었으며, 표준 GPU에서 몇 분 내에 4일 예측을 수행해 높은 정확도를 달성한다. 이는 기존 기준 모델을 크게 능가하며, 저비용 계산으로 인해 빈번한 업데이트가 가능하다.

ABSTRACT

This paper presents an engine able to forecast jointly the concentrations of the main pollutants harming people's health: nitrogen dioxyde (NO2), ozone (O3) and particulate matter (PM2.5 and PM10, which are respectively the particles whose diameters are below 2.5 um and 10 um respectively). The forecasts are performed on a regular grid (the results presented in the paper are produced with a 0.5° resolution grid over Europe and the United States) with a neural network whose architecture includes convolutional LSTM blocks. The engine is fed with the most recent air quality monitoring stations measures available, weather forecasts as well as air quality physical and chemical model (AQPCM) outputs. The engine can be used to produce air quality forecasts with long time horizons, and the experiments presented in this paper show that the 4 days forecasts beat very significantly simple benchmarks. A valuable advantage of the engine is that it does not need much computing power: the forecasts can be built in a few minutes on a standard GPU. Thus, they can be updated very frequently, as soon as new air quality measures are available (generally every hour), which is not the case of AQPCMs traditionally used for air quality forecasting. The engine described in this paper relies on the same principles as a prediction engine deployed and used by Plume Labs in several products aiming at providing air quality data to individuals and businesses.

연구 동기 및 목표

• 다양한 오염물질에 대해 대규모 지리적 지역에서 확장 가능하고, 저지연 예측 시스템을 개발한다.
• 실시간 모니터링 역량, 기상 예측, AQPCM 출력 등 다양한 데이터 소스를 통합하여 통합된 딥러닝 프레임워크를 구축한다.
• 기존 AQPCM에 비해 계산 요구량을 줄여, 예측 업데이트 빈도를 높일 수 있도록 한다.
• 반복적인 시공간 구조를 활용해 최대 4일까지의 정확한 장기 예측을 달성한다.
• 물리 모델 출력과 데이터 기반 학습을 융합함으로써 예측 성능 향상이 가능하다는 것을 입증한다.

제안 방법

• 공간-시간 의존성을 모델링하기 위해 컨volutional LSTM(ConvLSTM) 블록 기반의 인코더-디코더 아키텍처를 사용한다.
• 유럽과 미국 전역에 걸쳐 0.5° 정규 격자를 사용하여 대규모이고 공간적으로 연속적인 예측을 생성한다.
• 최근의 모니터링 역량에서의 실시간 대기질 측정치, 수치 기상 예측, 물리화학 모델(AQPCM) 출력을 입력으로 사용하여 물리적 일관성을 향상시킨다.
• 2019년의 역사적 데이터를 기반으로 엔드 투 엔드로 학습하며, 96시간 예측 수렴 기간 동안 손실을 최소화한다.
• ConvLSTM의 반복적 특성을 활용하여, 초기 기상 예측 윈도우를 초월한 장기 예측을 지원한다.
• 커널 크기의 영향 분석 결과, (3,3) 커널이 공간적 맥락과 모델 복잡도 사이의 균형을 잘 맞춰 최적의 성능을 보였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 고해상도 공간 및 시간 해상도로 대규모 지리적 지역에서 다수의 대기오염물질(NO₂, O₃, PM₂.₅, PM₁₀)을 효과적으로 예측할 수 있는가?
• RQ2 AQPCM 출력을 통합할 경우, 단순히 모니터링 데이터와 기상 예측만을 사용하는 것과 비교해 예측 정확도가 얼마나 향상되는가?
• RQ3 장기(최대 4일) 대기질 예측에서 ConvLSTM 아키텍처가 단순 기준 모델보다 얼마나 뛰어난가?
• RQ4 이 시공간 예측 작업에서 ConvLSTM 블록에 최적의 커널 크기는 무엇인가?
• RQ5 낮은 계산 비용으로도 고정밀도 예측을 달성하여, 최신 대기질 측정치를 기반으로 빈번한 재예측과 실시간 업데이트가 가능한가?

주요 결과

• PlumeNet 모델은 96시간 예측 수렴 기간에서 전역 평균 평가 손실이 0.130으로, 단순 기준 모델보다 뚜렷이 뛰어난 성능을 보였다.
• NO₂ 예측에서는 96시간 기준 손실이 0.168로, 질소다이옥사이드 예측 성능이 뛰어나다는 것을 입증했다.
• (3,3) 컨volutional 커널을 사용한 모델은 전역 손실 0.166을 기록하며, (1,1) 및 (5,5) 커널보다 우수한 성능을 보였으며, 이는 최적의 수신 필드 크기를 의미한다.
• AQPCM 출력을 통합함으로써 예측 정확도가 크게 향상되었으며, 특히 극단적인 오염 사건 예측에서 두드러진 효과를 보였다.
• 표준 GPU에서 몇 분 내로 예측을 완료할 수 있어, 최신 대기질 측정치를 기반으로 매시간 재예측이 가능했다.
• 모델은 유럽과 미국을 포함한 다양한 지역에서 높은 성능을 유지했으며, NO₂ 및 O₃ 모두에서 일관된 결과를 보였다.