[논문 리뷰] Short-range forecasts of global precipitation using deep learning-augmented numerical weather prediction

Manmeet Singh, S. B. Vaisakh외 6명|arXiv (Cornell University)|2022. 06. 23.

Meteorological Phenomena and Simulations인용 수 9

한 줄 요약

이 논문은 CFSv2 글로벌 NWP 모델의 강수량 오차를 ERA5 재분석 자료를 기준으로 하여 보정하는 하이브리드 딥러닝 증강 수치기상예보 모델인 DeepNWP를 제안한다. 구면 기하학을 처리하기 위해 수정된 DLWP-CS UNET 아키텍처와 입방체 구면 투영을 적용함으로써, 전 세계 육지의 강수량 오차를 CFSv2의 +5에서 +7 mm/일에서 -1에서 +1 mm/일로 감소시켜, 극단적 기상 현상 동안 1일, 2일, 3일 선도 예보의 정확도를 크게 향상시킨다.

ABSTRACT

Precipitation governs Earth's hydroclimate, and its daily spatiotemporal fluctuations have major socioeconomic effects. Advances in Numerical weather prediction (NWP) have been measured by the improvement of forecasts for various physical fields such as temperature and pressure; however, large biases exist in precipitation prediction. We augment the output of the well-known NWP model CFSv2 with deep learning to create a hybrid model that improves short-range global precipitation at 1-, 2-, and 3-day lead times. To hybridise, we address the sphericity of the global data by using modified DLWP-CS architecture which transforms all the fields to cubed-sphere projection. Dynamical model precipitation and surface temperature outputs are fed into a modified DLWP-CS (UNET) to forecast ground truth precipitation. While CFSv2's average bias is +5 to +7 mm/day over land, the multivariate deep learning model decreases it to within -1 to +1 mm/day. Hurricane Katrina in 2005, Hurricane Ivan in 2004, China floods in 2010, India floods in 2005, and Myanmar storm Nargis in 2008 are used to confirm the substantial enhancement in the skill for the hybrid dynamical-deep learning model. CFSv2 typically shows a moderate to large bias in the spatial pattern and overestimates the precipitation at short-range time scales. The proposed deep learning augmented NWP model can address these biases and vastly improve the spatial pattern and magnitude of predicted precipitation. Deep learning enhanced CFSv2 reduces mean bias by 8x over important land regions for 1 day lead compared to CFSv2. The spatio-temporal deep learning system opens pathways to further the precision and accuracy in global short-range precipitation forecasts.

연구 동기 및 목표

• 특히 육지에서 지속적인 큰 오차를 보이는 글로벌 수치기상예보(NWP) 모델의 강수량 오차를 해결한다.
• 물리적 일관성이 부족하고 수십 년간 축적된 NWP 기술의 잠재력을 활용하지 못하는 순수 딥러닝 모델의 한계를 극복한다.
• 다이나믹 모델을 대체하지 않고도 NWP 출력과 최신 딥러닝을 융합하여 정확도를 향상시키는 하이브리드 프레임워크를 개발한다.
• 딥러닝에서 지구의 구면 구조를 모델링하는 과제를 해결하기 위해 수정된 DLWP-CS 아키텍처와 입방체 구면 투영을 활용한다.
• 다양한 극단적 기상 현상에서 글로벌 단기 강수량 예보의 성능 향상을 명백히 입증한다.

제안 방법

• 기초 NWP 모델로 커플드 예보 시스템 버전 2(CFSv2)를 사용하여 대기 및 지표면 온도 필드를 입력으로 제공한다.
• 강수량의 기준 참값으로 ERA5 재분석 자료를 사용하며, 이는 고해상도 및 높은 관측 정확도로 인해 선택되었다.
• 전 세계 기상 필드를 구면 기하학을 유지하고 공간 일반화 성능을 향상시키기 위해, 수정된 DLWP-CS UNET 아키텍처를 사용하여 입방체 구면 투영으로 변환한다.
• 엔드 투 엔드 학습을 통해 CFSv2의 강수량 및 지표면 온도 출력을 ERA5 관측 강수량 필드로 매핑하는 딥러닝 모델을 훈련시킨다.
• 강수량과 온도 필드를 모두 입력으로 활용하는 다변량 딥러닝 접근법을 통해 오차 보정 정확도를 향상시킨다.
• 여러 극단적 기상 현상에서 1일, 2일, 3일 선도 예보에 대해 하이브리드 모델을 검증하며, DeepNWP 출력을 CFSv2 및 ERA5와 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 CFSv2 NWP 모델의 전 세계 육지 영역에서 큰 강수량 오차를 효과적으로 줄일 수 있는가?
• RQ2 입방체 구면 투영을 통한 구면 기하학 통합이 글로벌 기상 데이터에 대한 딥러닝 성능을 어떻게 향상시키는가?
• RQ3 하이브리드 DeepNWP 모델은 허리케인 및 홍수와 같은 극단적 강수량 예보에서 단독 CFSv2보다 얼마나 뛰어난 성능을 보이는가?
• RQ4 딥러닝 보정은 체계적 오차를 감소시키는 동안 NWP 출력의 물리적 일관성을 유지하거나 향상시키는가?
• RQ5 이러한 하이브리드 접근법은 태풍 및 중위도 홍수를 포함한 다양한 기후 영역과 극단적 기상 체계에 대해 일반화 가능한가?

주요 결과

• DeepNWP 모델은 CFSv2의 전 세계 육지 강수량 오차를 모든 선도 시간에서 +5에서 +7 mm/일에서 -1에서 +1 mm/일로 감소시켰다.
• 카티나 허리케인의 경우, DeepNWP는 1일 선도 시간에 CFSv2의 오차 8.839 mm/일을 ERA5 기준 -0.345 mm/일로 감소시켰다.
• 나르기스 시계열의 경우, DeepNWP는 1일 선도 시간에 CFSv2의 오차 21.151 mm/일을 -5.37 mm/일로 감소시켰으며, 더 긴 선도 시간에 걸쳐도 지속적인 개선을 보였다.
• 2010년 중앙 유럽 홍수의 경우, DeepNWP는 1일 선도 시간에 CFSv2의 오차 6.654 mm/일을 -0.2 mm/일로 감소시켰다.
• 모든 6개의 사례 연구에서 DeepNWP는 CFSv2 대비 오차를 80% 이상 감소시켰으며, 평균 절대 오차 개선률은 50% 초과였다.
• 모델은 태풍, 외곽 홍수, monsoon 연관 사건을 포함한 다양한 기상 체계에서 뛰어난 성능을 보였다.