[논문 리뷰] Prediction of typhoon tracks using a generative adversarial network with observational and meteorological data

Mario Rüttgers, Sang-Seung Lee외 1명|arXiv (Cornell University)|2018. 12. 05.

Tropical and Extratropical Cyclones Research참고 문헌 14인용 수 3

한 줄 요약

이 연구는 위성 영상과 재분석 기상 데이터를 융합하여 6시간 후 태풍 경로를 예측하는 조건부 생성 적대 신경망(cGAN)을 제안한다. 해수면 온도 및 지표기압과 같은 물리적으로 의미 있는 변수를 통합함으로써 모델은 평균 중심 예측 오차를 29.7% 감소시켜 67.2 km로 줄였으며, 이미지의 선명도를 향상시켜 태풍 중심 위치와 역동적인 구름 구조를 정확하게 예측할 수 있게 되었다.

ABSTRACT

Tracks of typhoons are predicted using a generative adversarial network (GAN) with observational data in form of satellite images and meteorological data from a reanalysis database. Time series of images of typhoons which occurred in the Korean Peninsula in the past are used to train the neural network. The trained GAN is employed to produce a 6-hour-advance track of a typhoon for which the GAN was not trained. The predicted image favorably identifies the future location of the typhoon center as well as the deformed cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 65.5 % of all typhoon center predictions have an error of less than 80 km, 31.5 % lie within a range of 80 - 120 km and the remaining 3.0 % are above 120 km. The overall error is 67.2 km, compared to 95.6 km when only observational data are used as input. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. It is found that adding physically meaningful meteorological data to satellite images improves the sharpness of predicted images.

연구 동기 및 목표

• 관측 위성 데이터와 물리적으로 의미 있는 기상 재분석 데이터를 융합하여 태풍 경로 예측 정확도를 향상시키기 위해.
• 역동적인 대기 변수를 포함시켜 GAN으로 생성된 태풍 예보의 이미지 블러를 줄이기 위해.
• 위성 영상과 재분석 데이터의 다중 모odal 입력이 태풍 중심 이동과 구름 운동 역학 예측에 미치는 영향을 평가하기 위해.
• 한국 반도에 영향을 주는 예측에 포함되지 않은 태풍에 대한 모델 성능을 평가하고, 특히 6시간 전행 예측에 중점을 두기 위해.
• 재분석 데이터가 생성된 태풍 이미지의 현실성과 시간적 일관성을 향상시키는지 확인하기 위해.

제안 방법

• 한국 반도에 영향을 준 66개 태풍의 시간 순서로 정렬된 위성 영상과 재분석 기상 데이터를 기반으로 조건부 GAN(cGAN)을 훈련시켰다.
• 입력은 4개의 연속된 위성 영상과 해당하는 재분석 데이터(예: 해수면 온도, 지표기압, 200mb 수준의 바람 속도)를 포함한다.
• 생성자 네트워크는 6시간 후 태풍 영상을 생성하고, 구분자 네트워크는 생성된 출력의 현실성과 공간 일관성을 평가한다.
• 손실 함수는 표준 GAN 손실에 더해 VGG 기반의 인지적 손실과 기울기 손실(GDL)을 포함하여 블러를 줄이고 구조적 정밀도를 향상시킨다.
• 모델 훈련은 1993년 이후 데이터를 사용하며, 일반화 능력을 평가하기 위해 10개의 예측에 포함되지 않은 태풍을 테스트에 사용한다.
• 기상 데이터는 물리적으로 일관된 대기 조건을 제공하는 ECMWF ERA-Interim 재분석 데이터베이스에서 확보된다.

실험 결과

연구 질문

• RQ1 위성 영상과 재분석 기상 데이터를 융합하면 위성 영상만을 사용할 때보다 6시간 후 태풍 중심 예측 정확도가 향상되는가?
• RQ2 물리적 대기 변수의 포함이 GAN으로 생성된 태풍 예보의 이미지 블러를 어느 정도 줄이는가?
• RQ3 모델은 미래 태풍 영상에서 구름 회전, 눈벽 형성, 급류 영향과 같은 동적 특징을 얼마나 잘 예측할 수 있는가?
• RQ4 훈련 데이터에 포함되지 않은 태풍, 특히 갑작스러운 경로 변화나 육상 착륙을 보이는 복잡한 행동을 보이는 태풍에 대해 모델이 일반화되는가?
• RQ5 다양한 입력 구성(예: 위성 영상 수, 재분석 데이터 포함 여부)이 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 재분석 데이터의 포함으로 태풍 중심 예측 오차 평균이 95.6 km에서 67.2 km로 감소하여 29.7% 향상되었다.
• 예측된 태풍 중심 위치 중 65.5%가 80 km 이내 오차를 보였으며, 이는 이전 모델의 42.4%에 비해 향상된 결과이다.
• 오차가 120 km를 초과한 예측 비율은 이전 모델의 25.5%에서 3.0%로 감소하여 신뢰성 향상이 뚜렷하게 나타났다.
• 모델은 생성된 이미지에서 태풍의 회전 운동, 구름 구조의 변형, 급류의 영향과 같은 동적 특징을 성공적으로 포착하였다.
• 재분석 데이터의 추가로 특히 눈벽과 외곽 구름 대역과 같은 영역에서 이미지의 선명도와 현실성이 뚜렷이 향상되었다.
• 특히 육상 착륙과 급격한 강화를 보이는 복잡한 행동을 예측하는 데 있어, 예측에 포함되지 않은 태풍에 대한 일반화 능력이 뛰어났다.