[논문 리뷰] Precipitaion Nowcasting using Deep Neural Network

Mohamed Chafik Bakkay, Mathieu Serrurier외 9명|arXiv (Cornell University)|2022. 03. 24.

Meteorological Phenomena and Simulations인용 수 4

한 줄 요약

이 논문은 2D 레이더 precipitations 지apap을 기반으로 U-Net, ConvLSTM, SVG-LP 모델을 사용한 딥러닝 프레임워크를 제안한다. 공간적 맥락을 유지하는 패치 추출 방법과 블러링을 줄이고 강수량 0인 픽셀의 영향을 최소화하기 위해 가중치가 부여된 병합 손실 함수(WSSIM + WMSE)를 도입하여, 특히 U-Net과 하이브리드 손실 함수를 사용할 경우 우수한 시공간 예측 정확도를 달성한다.

ABSTRACT

Precipitation nowcasting is of great importance for weather forecast users, for activities ranging from outdoor activities and sports competitions to airport traffic management. In contrast to long-term precipitation forecasts which are traditionally obtained from numerical models, precipitation nowcasting needs to be very fast. It is therefore more challenging to obtain because of this time constraint. Recently, many machine learning based methods had been proposed. We propose the use three popular deep learning models (U-net, ConvLSTM and SVG-LP) trained on two-dimensional precipitation maps for precipitation nowcasting. We proposed an algorithm for patch extraction to obtain high resolution precipitation maps. We proposed a loss function to solve the blurry image issue and to reduce the influence of zero value pixels in precipitation maps.

연구 동기 및 목표

• 기존 수치 모델이 높은 계산 비용으로 인해 충족할 수 없는 엄격한 시간 제약 조건 하에서 고속이고 고해상도의 강수 예측 문제를 해결하기 위해.
• 레이더 관측 강수 데이터의 복잡한 시공간 패턴을 포착할 수 있는 딥러닝 모델을 활용하여 예측 정확도를 향상시키기 위해.
• 표준 리사이징 방식으로 인한 해상도 손실을 보완하기 위해 이웃 정보를 포함한 전체 해상도의 공간적 맥락을 유지하는 패치 추출 알고리즘을 도입하기 위해.
• 딥러닝 예측에서 흔히 발생하는 블러링과 강수량 0인 픽셀로 인한 편향을 줄이기 위해 WSSIM과 WMSE를 조합한 가중치가 부여된 하이브리드 손실 함수를 설계하기 위해.

제안 방법

• 모델들은 분류가 아닌 연속적인 강수량 값을 회귀하도록 훈련되어 실수값의 강수 강도를 출력할 수 있도록 한다.
• 패치 추출 알고리즘은 128×128 크기의 타겟 패치를 중심으로 주변 200픽셀 간격의 보간된 이웃 영역을 포함한 256×256 크기의 입력 패치를 생성한다. 이는 국소적 공간 맥락을 유지하는 데 기여한다.
• 새로운 손실 함수는 구조적 유사도(SSIM)와 가중 평균 제곱 오차(WMSE)를 조합하며, 픽셀 단위의 가중치를 적용하여 강수량 0인 값의 영향을 줄인다.
• 손실 함수는 SSIM을 통해 구조적 정확도를 향상시키고, 블러링을 줄이며, 가중치 메커니즘은 레이더 지도에서 흔한 0값으로 인한 과도한 페널티를 방지한다.
• U-Net(CNN 기반), ConvLSTM(RNN 기반), SVG-LP(스토케스틱 RNN 기반)의 세 가지 모델을 사용하여 향후 1~1.5시간 동안의 강수 시계열 예측 능력을 평가한다.

실험 결과

연구 질문

• RQ1 GPU 메모리 과부하 없이 패치 기반 입력 전략이 고해상도 공간 정보를 강수 예측에서 유지할 수 있는가?
• RQ2 기존의 표준 MSE나 SSIM만을 사용하는 것과 비교해, WSSIM과 WMSE를 병합한 손실 함수가 예측의 선명도를 향상시키고 블러링을 줄일 수 있는가?
• RQ3 U-Net, ConvLSTM, SVG-LP와 같은 다양한 딥러닝 아키텍처는 시공간적 강수 분포의 변화를 예측하는 데 어떻게 상호 비교되는가?
• RQ4 손실 함수에 가중치를 적용함으로써 강수량 0인 픽셀이 모델 훈련과 예측 품질에 미치는 영향을 어느 정도 줄일 수 있는가?

주요 결과

• U-Net 모델은 고강수 강우 이벤트 예측과 정확한 rainfall 윤곽 유지에서 ConvLSTM 및 SVG-LP를 모두 압도적으로 뛰어넘었다.
• WSSIM 손실 함수는 WMSE보다 더 현실적인 고강수 지역(5 mm/h 이상)을 정확한 공간 위치에 생성했으며, 1 mm/h 임계값에서 가장 높은 F1 점수를 기록했다.
• WSSIM과 WMSE 손실 함수의 조합(WSSIM+WMSE)이 가장 우수한 종합 성능을 보였으며, 구조적 정확도와 픽셀 수준의 정확도를 균형 있게 확보했다. 이는 정성적 및 정량적 평가에서 모두 확인되었다.
• 200픽셀의 이웃 정보를 포함한 패치 추출 방법은 64픽셀의 마진만을 사용하는 기준 패치 방법보다 MAE와 F1 점수를 크게 향상시켰으며, 공간적 맥락 입력의 중요성을 입증했다.
• ConvLSTM는 후속 프레임에서 블러링 경향을 보였고, SVG-LP는 더 많은 가짜 경고와 덜 정밀한 예측을 생성하여 결정론적 대기역학을 다루는 데 한계를 드러냈다.