[논문 리뷰] RainNet: A Large-Scale Imagery Dataset and Benchmark for Spatial Precipitation Downscaling

Xuanhong Chen, Kairui Feng외 5명|arXiv (Cornell University)|2020. 12. 17.

Precipitation Measurement and Analysis인용 수 5

한 줄 요약

이 논문은 미국 동부 지역에서 17년에 걸쳐 62,400개 이상의 고해상도(HR) 및 저해상도(LR) 강수지도 쌍을 포함하는, 공간 강수 하향분해를 위한 첫 번째 대규모 실세계 데이터셋인 RainNet을 소개한다. 이 데이터셋은 딥러닝 모델의 하향분해 학습 및 평가를 가능하게 하며, 시간적 비일치, 희소성, 유체역학적 특성 등의 과제를 새로운 벤치마크 프레임워크와 특화된 지표를 통해 해결한다. 실험 결과, 기존의 SISR 및 VSR 모델들이 이 복잡한 실세계 과제에서 여전히 한계를 보이고 있음을 확인할 수 있다.

ABSTRACT

AI-for-science approaches have been applied to solve scientific problems (e.g., nuclear fusion, ecology, genomics, meteorology) and have achieved highly promising results. Spatial precipitation downscaling is one of the most important meteorological problem and urgently requires the participation of AI. However, the lack of a well-organized and annotated large-scale dataset hinders the training and verification of more effective and advancing deep-learning models for precipitation downscaling. To alleviate these obstacles, we present the first large-scale spatial precipitation downscaling dataset named RainNet, which contains more than $62,400$ pairs of high-quality low/high-resolution precipitation maps for over $17$ years, ready to help the evolution of deep learning models in precipitation downscaling. Specifically, the precipitation maps carefully collected in RainNet cover various meteorological phenomena (e.g., hurricane, squall), which is of great help to improve the model generalization ability. In addition, the map pairs in RainNet are organized in the form of image sequences ($720$ maps per month or 1 map/hour), showing complex physical properties, e.g., temporal misalignment, temporal sparse, and fluid properties. Furthermore, two deep-learning-oriented metrics are specifically introduced to evaluate or verify the comprehensive performance of the trained model (e.g., prediction maps reconstruction accuracy). To illustrate the applications of RainNet, 14 state-of-the-art models, including deep models and traditional approaches, are evaluated. To fully explore potential downscaling solutions, we propose an implicit physical estimation benchmark framework to learn the above characteristics. Extensive experiments demonstrate the value of RainNet in training and evaluating downscaling models. Our dataset is available at https://neuralchen.github.io/RainNet/.

연구 동기 및 목표

• 딥러닝 커뮤니티에서 공간 강수 하향분해를 위한 대규모 실세계 및 철저하게 애너테이션 처리된 데이터셋의 부족을 해결하기 위해.
• 위성 및 레이더 시스템 간 실제 센서 차이를 반영하지 못하는 시뮬레이션된 데이터셋(예: 이방향 보간)의 한계를 극복하기 위해.
• 시간적 비일치, 희소성, 유체역학적 특성과 같은 복잡한 물리적 성질을 평가하기 위한 도메인 특화 지표를 포함한 벤치마크 프레임워크를 구축하기 위해.
• 최신 SISR 및 VSR 모델이 실강수 데이터에서 어떻게 작동하는지 체계적으로 평가하고, 메조스케일 특징을 포착하지 못하는 그들의 한계를 드러내기 위해.

제안 방법

• 미국 동부 지역의 900만 km²를 커버하는 17년 간의 위성 및 레이더 데이터에서 고해상도(HR) 및 저해상도(LR) 강수지도 쌍을 62,400개 이상 수집.
• 실세계 시간 동역학을 반영하기 위해 지도 쌍을 시간 순서로 정렬(1시간당 1장, 1개월에 720장)하여 시간적 비일치 및 희소성 문제를 반영.
• 딥러닝 평가에 특화된 두 가지 지표 도입: 메조스케일 최고 강수 오차(MPPE) 및 강우 지역 재구성 정확도(HRRR), 강수 하향분해에 특화.
• 강수 필드의 유체역학적 운동과 시간적 일치하지 않는 현상을 모델링하기 위해 암묵적인 물리적 추정 프레임워크 설계.
• SRCNN, RCAN, DBPN 및 GAN 기반 방법을 포함한 14종의 최신 모델을 RainNet 데이터셋에서 평가하여 시각적 및 정량적 차원에서 성능 분석.
• 시각적 및 정량적 분석을 통해 기존 SISR 및 VSR 모델이 허리케인 눈과 강우 대역과 같은 미세 구조를 재구성하지 못하고 있음을 입증.

실험 결과

연구 질문

• RQ1 실세계 강수 데이터에서 학습한 딥러닝 모델이 이상화된 왜곡을 가진 시뮬레이션된 데이터셋에서 학습한 모델보다 성능이 뛰어나게 되는가?
• RQ2 기존의 SISR 및 VSR 모델은 시간적 비일치 및 유체역학적 특성이 복잡한 실강수 데이터에서 어떻게 작동하는가?
• RQ3 기존의 딥러닝 지표들이 강수 하향분해 결과의 물리적 정밀도를 얼마나 잘 반영하지 못하는가?
• RQ4 암묵적인 물리적 동역학을 모델링하는 벤치마크 프레임워크는 하향분해 모델의 일반화 및 정확도 향상에 기여하는가?
• RQ5 현재의 딥러닝 아키텍처는 강우 대역 및 허리케인 눈과 같은 메조스케일 강수 특징을 재구성하는 데 어떤 핵심적 한계를 지니는가?

주요 결과

• RainNet 데이터셋은 17년에 걸쳐 허리케인과 폭풍 등 다양한 기상 현상을 포함하는 고해상도 및 저해상도 강수지도 쌍을 62,400개 이상 포함한다.
• 시각적 분석 결과, SISR 모델인 SRCNN과 RCAN은 과도하게 부드러운 결과를 생성하는 반면, DBPN은 허리케인 눈을 재구성하지 못한다.
• 기존의 방법인 크리깅(Kriging)은 입력된 저해상도 지도와 마찬가지로 흐릿한 결과를 생성하여 미세 구조 특징에 대한 성능이 열악함을 시사한다.
• 정량적 평가 결과, MPPE 및 HRRR 지표가 메조스케일 및 강우 지역에서의 모델 성능을 효과적으로 측정함을 입증한다.
• 기존의 SISR 또는 VSR 모델은 시간적 비일치, 희소성, 유체역학적 특성 문제를 완전히 해결하지 못하며, 이 과제가 여전히 매우 도전적임을 시사한다.
• 암묵적인 물리적 추정 프레임워크는 동적 물리적 과정을 모델링하는 것이 하향분해 성능 향상에 중요한 영향을 미친다는 점을 입증한다.