[논문 리뷰] RainBench: Towards Global Precipitation Forecasting from Satellite Imagery

Christian Schroeder de Witt, Catherine Tong외 6명|arXiv (Cornell University)|2020. 12. 17.

Precipitation Measurement and Analysis참고 문헌 39인용 수 6

한 줄 요약

RainBench는 시뮬레이션된 위성 데이터(SimSat), ERA5 재분석 데이터, 그리고 IMERG 강수 관측 데이터를 융합한 다중 모odal 기반 벤치마크 데이터셋을 제공하여 데이터 기반의 글로벌 강수 예측을 가능하게 한다. 저자들은 고성능 데이터 처리 라이브러리인 PyRain을 공개하고, 5일 예측까지 기후학적 기준 모델 및 지속성 모델을 능가하는 신경망 베이스라인을 수립하여 극단적 기상 예측 연구의 진입 장벽을 낮춘다.

ABSTRACT

Extreme precipitation events, such as violent rainfall and hail storms, routinely ravage economies and livelihoods around the developing world. Climate change further aggravates this issue. Data-driven deep learning approaches could widen the access to accurate multi-day forecasts, to mitigate against such events. However, there is currently no benchmark dataset dedicated to the study of global precipitation forecasts. In this paper, we introduce \ extbf{RainBench}, a new multi-modal benchmark dataset for data-driven precipitation forecasting. It includes simulated satellite data, a selection of relevant meteorological data from the ERA5 reanalysis product, and IMERG precipitation data. We also release \ extbf{PyRain}, a library to process large precipitation datasets efficiently. We present an extensive analysis of our novel dataset and establish baseline results for two benchmark medium-range precipitation forecasting tasks. Finally, we discuss existing data-driven weather forecasting methodologies and suggest future research avenues.

연구 동기 및 목표

• 위성 영상 데이터를 활용한 글로벌 데이터 기반 강수 예측에 대한 표준화된 벤치마크가 부족한 문제를 해결하기 위해.
• 극단적 강우에 영향을 받는 개발 중인 지역의 연구자들이 겪는 계산 및 데이터 접근 장벽을 줄이기 위해.
• 다양한 기상 조건에서 중기 예보 과제에 대해 딥 러닝 모델의 체계적 평가를 가능하게 하기 위해.
• PyRain 라이브러리를 통해 확장 가능하고 효율적인 데이터 처리 파이프라인을 제공하여 실험 및 모델 훈련을 가속화하기 위해.
• 재현 가능한 베이스라인을 수립하고, 불균형한 강수 예측 과제에 대한 클래스 밸런싱 전략을 탐색하기 위해.

제안 방법

• RainBench 데이터셋은 세 가지 데이터 모odal을 통합한다: SimSat(지상 위성 영상 시뮬레이션), ERA5(대기 상태 재분석), IMERG(위성 관측 기반 글로벌 강수 추정치).
• PyRain는 대규모 강수 데이터셋에 최적화된 고처리량, 구성 가능한 데이터 로딩 프레임워크로, 딥 러닝 모델을 위한 효율적인 데이터 인gest 및 전처리를 가능하게 한다.
• 저자들은 두 가지 베이스라인 예측 과제에서, 위성 및 재분석 입력을 기반으로 1~5일 예측 강수 누적량을 예측하기 위해 컨볼루션 신경망과 기울기 부스팅 모델을 훈련하고 평가한다.
• 시간적 일관성을 유도하기 위해 다중 시간 단계 손실 함수를 사용하며, 예측 반복 과정의 엔드 투 엔드 훈련을 통해 일반화 성능을 향상시킨다.
• 고해상도 데이터 및 대규모 모델 아키텍처를 처리하기 위한 메모리 효율 전략으로, 기울기 체크포인팅과 혼합 정밀도 훈련을 탐색한다.
• 희귀하지만 영향력이 큰 극단적 강우 사건 예측 성능 향상을 위해, 포칼 손실과 클래스 재가중 등 클래스 밸런싱 기법을 평가한다.

실험 결과

연구 질문

• RQ1 다중 모달 위성 및 재분석 데이터를 기반으로 훈련된 데이터 기반 모델이 글로벌 중기 강수 예측에서 기후학적 기준 모델 및 지속성 모델을 능가할 수 있는가?
• RQ2 다양한 클래스 밸런싱 전략이 극단적 강우 사건 예측에서 회귀 모델의 성능에 어떤 영향을 미치는가?
• RQ3 PyRain와 같은 빠르고 확장 가능한 데이터 로딩 파이프라인은 대규모 강수 예측 실험에서 훈련 시간과 하드웨어 비용을 얼마나 줄일 수 있는가?
• RQ4 입력 데이터 해상도와 모달리티(예: 시뮬레이션된 위성 데이터 대비 실제 위성 데이터)는 예측 정확도와 일반화 능력에 어떤 영향을 미치는가?
• RQ5 역행 가능한 레이어를 갖춘 엔드 투 엔드 훈련된 반복 예측 모델은 장기 예측 안정성 향상과 함께 GPU 메모리 사용량을 줄일 수 있는가?

주요 결과

• RainBench에서 훈련된 신경망 베이스라인은 기후학적 기준 모델 및 지속성 모델을 5일 예측까지 능가하여 데이터 기반 접근의 가능성을 입증한다.
• 특히 포칼 손실을 활용한 클래스 밸런싱 기법은 희귀하지만 영향력이 큰 강우 사건 예측 성능을 향상시키며, 과소 예측 편향을 감소시킨다.
• PyRain는 데이터 로딩 속도를 크게 향상시켜 더 빠른 모델 반복과 대규모 실험의 훈련 시간 단축에 기여한다.
• ERA5 재분석 데이터 통합은 단순히 위성 영상에 의존하는 모델 대비 예측 정확도를 향상시켜 대기 상태 정보의 가치를 입증한다.
• 역행 가능한 레이어를 갖춘 다단계 예측 반복 과정의 엔드 투 엔드 훈련은 활성화 체크포인팅을 통해 GPU 메모리 사용량을 줄이며 안정적인 장기 예측을 가능하게 한다.
• 저자들은 특히 SimSat에서 유도된 고해상도 입력 데이터가 강우 사건의 공간적 국소화 정확도를 향상시킨다는 점을 관찰하여, 운영 수준의 예측으로 나아갈 수 있는 길을 제시한다.