[논문 리뷰] Precipitation nowcasting using a stochastic variational frame predictor with learned prior distribution

Alexander Bihlo|arXiv (Cornell University)|2019. 05. 13.

Precipitation Measurement and Analysis인용 수 28

한 줄 요약

이 논문은 레이더 반사도도를 사용한 강수 전망 예측을 위해 학습된 사전 분포를 갖는 확률적 변분 프레임 예측기(Stochastic Variational Frame Predictor)를 제안한다. 이는 표준 컨volutional LSTM보다 장기 예측의 선명도를 향상시킨다. 방법은 과거 프레임에서 유동적인 사전 분포를 학습하여 불확실성과 물리적 진화를 모델링한다. 이로 인해 기준 모델보다 훨씬 선명하고 정확한 2.5시간 예측을 도출하며, 구조적 유사도 지수(SSIM) 감소율이 낮다.

ABSTRACT

We propose the use of a stochastic variational frame prediction deep neural network with a learned prior distribution trained on two-dimensional rain radar reflectivity maps for precipitation nowcasting with lead times of up to 2 1/2 hours. We present a comparison to a standard convolutional LSTM network and assess the evolution of the structural similarity index for both methods. Case studies are presented that illustrate that the novel methodology can yield meaningful forecasts without excessive blur for the time horizons of interest.

연구 동기 및 목표

• 단기 강수 전망 예측의 불안정한 성격(즉, 물리적으로 가능한 다수의 미래 상태 존재)을 다루기 위해.
• 특히 미래 프레임의 블러링 경향이 있는 결정론적 컨volutional LSTM 모델의 한계를 넘어 장기 강수 전망 예측을 향상시키기 위해.
• 과거 레이더 데이터에서 유도된 시간에 따라 변화하는 사전 분포를 학습하여 강수 진화의 불확실성을 통합하기 위해.
• 최소한의 사전 처리로 끝에서 끝까지 훈련 가능한 딥 러닝 모델을 개발하여 실시간 운영에 적합하게 하기 위해.
• 확률적 샘플링을 통해 여러 가능한 미래 강수 시나리오를 생성함으로써 앙상블 유사 전망을 가능하게 하기 위해.

제안 방법

• 모델은 조건부 변분 autoencoder와 유사한 인코더-예측-디코더 아키텍처를 사용하며, 은닉 공간 추론을 위해 순환 추론 네트워크를 활용한다.
• 확률적 예측 헤드는 다변량 정규 사전 분포 $ p_{\text{prior}}(\mathbf{z}_t|\mathbf{x}_{1:i-1}) $ 에서 샘플링하며, 이는 이전 레이더 프레임에서 유도된 것으로 시간에 따라 변화하는 물리적 역학을 캡처한다.
• 사전 분포는 추론 네트워크와 함께 변분 하한 목적함수를 사용해 동시에 훈련되며, $ q_{\text{inf}}(\mathbf{z}_i|\mathbf{x}_{1:i}) $ 와 $ p_{\text{prior}}(\mathbf{z}_i|\mathbf{x}_{1:i-1}) $ 를 일치시키기 위해 쿨백-라이블러 발산 항이 포함된다.
• 모델은 재구성 손실과 KL 발산 정규화 항을 사용하여 2D 레이더 반사도도 지도 시퀀스로 훈련되며, 의미 있는 은닉 표현을 보장한다.
• 예측은 학습된 사전 분포에서 샘플링하고 디코딩하여 미래 레이더 프레임을 생성하는 것으로 이루어지며, 여러 실현값을 사용하여 불확실성을 평가한다.
• 이 프레임워크는 광범위한 사전 처리 없이 끝에서 끝까지 훈련 가능하며, 확률적 전망 예측을 위해 확률적 사전 분포에서 샘플링을 지원한다.

실험 결과

연구 질문

• RQ1 학습된 사전 분포를 갖는 확률적 변분 프레임 예측기는 결정론적 컨볼루션 LSTM에 비해 장기 강수 전망 예측 정확도를 향상시키는가?
• RQ2 학습된 사전 분포가 시간에 따라 변화하는 강수 세포의 물리적 진화 규칙을 효과적으로 캡처하는가?
• RQ3 장기 예측 시간(최대 2.5시간) 동안 구조적 유사도(SSIM) 측면에서 모델 성능은 어떠한가?
• RQ4 결정론적 영상 예측 모델에서 흔히 발생하는 블러링 아티팩트는 어느 정도 감소하는가?
• RQ5 모델은 강우 발생의 불확실성을 반영한 여러 가능한 미래 강수 시나리오를 생성할 수 있는가?

주요 결과

• 학습된 사전 분포를 갖는 확률적 변분 프레임 예측기는 모든 예측 수준에서 표준 컨볼루션 LSTM보다 유의미하게 높은 구조적 유사도 지수(SSIM) 점수를 확보하였으며, 특히 6프레임 이후로는 감소율이 훨씬 느렸다.
• 컨볼루션 LSTM은 첫 두 예측 프레임에서는 제안된 모델보다 우수했지만, 이후 SSIM 점수가 급격히 하락하여 후속 프레임에서 심한 블러링이 발생하는 것으로 나타났다.
• 제안된 방법은 사례 연구를 통해 특히 대류성 및 유동성 강수 체계에서 더 선명하고 현실적인 강수 세포 진화를 도출하였다.
• 10개 샘플의 평균을 취한 실현값을 통해 모델은 결정론적 LSTM이 유일한 고정 예측만 생성하는 것과 달리 의미 있는 불확실성 정량화를 수행함을 입증하였다.
• 학습된 사전 분포는 강수 세포의 시간적 역학을 효과적으로 캡처하여 더 물리적으로 타당한 장기 예측을 가능하게 하였다.
• 실제로 표준 컨볼루션 LSTM보다 훈련이 더 쉬운 것으로 나타났으며, 이는 더 긴 훈련 사이클을 요구하는 경향이 있었다.