[논문 리뷰] Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network

Vikas Bajpai, Anukriti Bansal외 2명|arXiv (Cornell University)|2020. 10. 22.

Hydrological Forecasting Using AI인용 수 4

한 줄 요약

이 논문은 인도 라자스탄의 일일 강수량을 예측하기 위해 71년간의 역사적 강수량 데이터를 사용하여 컨볼루션 특징 추출과 다층 퍼셉트론(MLP)을 결합한 딥 및 웨이드 강수량 예측 모델(DWRPM)을 제안한다. 모델은 MLP, LSTM 및 1D-CNN보다 뛰어난 성능을 보이며, 158개의 강우계 역에서 평균 절대 오차(MAE)는 0.7765, 근본 제곱 평균 오차(RMSE)는 2.1716을 기록하여 다양한 지형 구역에서 뛰어난 일반화 능력을 입증한다.

ABSTRACT

Rainfall is a natural process which is of utmost importance in various areas including water cycle, ground water recharging, disaster management and economic cycle. Accurate prediction of rainfall intensity is a challenging task and its exact prediction helps in every aspect. In this paper, we propose a deep and wide rainfall prediction model (DWRPM) and evaluate its effectiveness to predict rainfall in Indian state of Rajasthan using historical time-series data. For wide network, instead of using rainfall intensity values directly, we are using features obtained after applying a convolutional layer. For deep part, a multi-layer perceptron (MLP) is used. Information of geographical parameters (latitude and longitude) are included in a unique way. It gives the model a generalization ability, which helps a single model to make rainfall predictions in different geographical conditions. We compare our results with various deep-learning approaches like MLP, LSTM and CNN, which are observed to work well in sequence-based predictions. Experimental analysis and comparison shows the applicability of our proposed method for rainfall prediction in Rajasthan.

연구 동기 및 목표

• 바람과 가뭄으로 인한 피해가 빈번한 건조 지역인 라자스탄에 대해 강력한 강우량 예측 모델을 개발하는 것.
• 다양한 지형 구역에서의 일반화 능력을 향상시키기 위해 넓은 및 깊은 학습 아키텍처를 통합하여 기존 딥 러닝 모델을 개선하는 것.
• 라자스탄 전역의 33개 지구에서 1957~2017년까지의 역사적 일일 강우량 데이터를 기반으로 모델 성능을 평가하는 것.
• 일련의 강우량 예측을 위한 표준 딥 러닝 기준 모델인 MLP, LSTM 및 1D-CNN과의 비교를 통해 제안된 DWRPM의 성능을 평가하는 것.
• 모델이 사막, 고원, 평야 등 다양한 대기권 구역에서 일반화할 수 있는 능력을 평가하는 것.

제안 방법

• DWRPM의 넓은 구성요소는 원시 일일 강우량 시계열에서 시간 패턴을 추출하기 위해 1D 컨볼루션 레이어를 사용하며, 강우 강도 값의 직접 입력을 대체한다.
• 깊은 구성요소는 추출된 특징 내 복잡한 비선형 관계를 모델링하기 위해 다층 퍼셉트론(MLP)을 활용한다.
• 위도와 경도로 구성된 지리적 좌표는 고유한 방식으로 임베딩되어 모델에 통합되어 다양한 지역에서의 일반화 능력을 향상시킨다.
• 모델은 라자스탄 전역의 158개 강우계 역에서 확보한 71년(1957–2017)간의 일일 강우량 데이터를 기반으로 훈련되며, 데이터는 훈련 및 테스트 세트로 분할된다.
• 일부 지역 및 역 기반 예측 성능 평가를 위해 MAE와 RMSE를 사용하여 일반화 능력과 지역 정확도를 평가한다.
• 모델은 동일한 실험 설정 하에 훈련된 표준 딥 러닝 기준 모델인 MLP, 1D-CNN 및 LSTM과 비교된다.

실험 결과

연구 질문

• RQ1 딥 및 웨이드 신경망 아키텍처가 라자스탄의 일일 강우량을 예측하는 데 있어 오직 71년간의 역사적 강우량 데이터만으로 효과적으로 작동할 수 있는가?
• RQ2 지리적 좌표의 통합이 라자스탄의 다양한 기후 구역에서 모델의 일반화 능력을 어떻게 향상시키는가?
• RQ3 DWRPM이 MLP, LSTM 및 1D-CNN과 같은 표준 딥 러닝 모델보다 강우량 예측 정확도 측면에서 뛰어나게 성능을 발휘하는가?
• RQ4 단일 훈련 모델이 라자스탄의 사막, 산지, 평야 및 고원 지역과 같은 다양한 대기권 구역에서 얼마나 잘 일반화되는가?
• RQ5 모델은 특히 폭우 및 매우 폭우와 같은 극단적인 강우 사건에서 어떤 성능을 보이는가?

주요 결과

• DWRPM은 라자스탄 전역 158개 강우계 역에서 평균 절대 오차(MAE) 0.7765와 근본 제곱 평균 오차(RMSE) 2.1716를 기록하며, MLP, LSTM 및 1D-CNN를 모두 능가하는 성능을 보였다.
• 모델은 강력한 일반화 능력을 보였으며, 다양한 대기권 구역에서 무작위로 선정된 4개의 강우계 역에서 MAE 값은 0.43~0.67, RMSE 값은 0.60~1.59를 기록했다.
• 지역별 성능 분석 결과, 북서부 사막 지역에서 가장 낮은 오차를 기록했으며(MAE=0.679, RMSE=1.512), 남동부 고원 지역에서는 약간 높은 오차가 관찰되었다(MAE=0.903, RMSE=2.613).
• DWRPM은 모든 기준 모델을 압도했으며, 다음으로 우수한 성능을 보인 것은 1D-CNN(MAE=0.8406, RMSE=2.2894)이었고, 이어 LSTM(MAE=0.8750, RMSE=2.3095), MLP(MAE=1.3137, RMSE=2.7808)였다.
• 모델의 성능는 다양한 지형 조건에서도 일관되게 유지되어, 위도와 경도를 입력 특징로 통합함으로써 효과적인 일반화가 이루어졌음을 시사한다.
• 경미한 강우 및 중간 강우에는 효과적이지만, 폭우 및 매우 폭우와 같은 극단적인 강우 사건 예측에서는 향상 여지가 있음을 확인했다.