[논문 리뷰] Short-term precipitation prediction using deep learning

Guoxing Chen, Wei‐Chyung Wang|arXiv (Cornell University)|2021. 10. 05.

Meteorological Phenomena and Simulations참고 문헌 38인용 수 4

한 줄 요약

이 논문은 39년에 걸친 미국 기상 데이터를 기반으로 훈련된 단일 기상 필드를 입력으로 사용하는 3D 합성곱 신경망을 제안한다. 이 모델은 최신 수치 기상 모델보다 5일 이내의 단기 강수량 예측에서 뛰어난 성능을 보이며, 기존 모델과 조합할 경우 집중 강우 예측 성능을 향상시킨다. 밀리초 수준의 추론 속도로 대규모 앙상블 예측이 가능하다.

ABSTRACT

Accurate weather prediction is essential for many aspects of life, notably the early warning of extreme weather events such as rainstorms. Short-term predictions of these events rely on forecasts from numerical weather models, in which, despite much improvement in the past decades, outstanding issues remain concerning model uncertainties, and increasing demands for computation and storage resources. In recent years, the advance of deep learning offers a viable alternative approach. Here, we show that a 3D convolutional neural network using a single frame of meteorology fields as input is capable of predicting the precipitation spatial distribution. The network is developed based on 39-years (1980-2018) data of meteorology and daily precipitation over the contiguous United States. The results bring fundamental advancements in weather prediction. First, the trained network alone outperforms the state-of-the-art weather models in predicting daily total precipitation, and the superiority of the network extends to forecast leads up to 5 days. Second, combining the network predictions with the weather-model forecasts significantly improves the accuracy of model forecasts, especially for heavy-precipitation events. Third, the millisecond-scale inference time of the network facilitates large ensemble predictions for further accuracy improvement. These findings strongly support the use of deep-learning in short-term weather predictions.

연구 동기 및 목표

• 기상 데이터를 활용해 단기 강수량 예측을 향상시키는 딥러닝 모델을 개발하는 것.
• 단일 프레임 입력 3D CNN이 일일 강수량 예측에서 수치 기상 모델을 능가할 수 있는지 평가하는 것.
• 딥러닝 예측 결과를 수치 기상 모델 출력과 융합함으로써 예측 정확도 향상 잠재력을 평가하는 것.
• 낮은 추론 시간 덕분에 대규모 앙상블 예측에 활용 가능한지의 가능성을 탐색하는 것.

제안 방법

• 39년(1980–2018년)에 걸친 미국 본토 전체의 기상 및 일일 강수량 데이터를 기반으로 3D 합성곱 신경망을 훈련한다.
• 모델은 단일 3D 기상 필드(예: 대기압, 바람, 기온)를 입력으로 받아 강수량의 공간 분포를 예측한다.
• 시공간 손실 함수를 사용하여 예측된 강수량 필드와 관측된 강수량 필드 간의 차이를 최소화하도록 네트워크를 훈련한다.
• 추론 시간이 밀리초 수준이므로, 불확실성 정량화를 위한 대규모 앙상블 생성이 빠르게 가능하다.
• 딥러닝 예측 결과를 수치 기상 모델 출력과 혼합 기법을 통해 융합하여 예측 정확도를 향상시킨다.
• 상관 계수, 평균 제곱근 오차, 집중 강우 사건에 대한 공정 위협 점수와 같은 표준 평가 지표를 사용해 모델을 평가한다.

실험 결과

연구 질문

• RQ1 역사적 기상 데이터를 기반으로 훈련된 딥러닝 모델이 최신 수치 기상 모델보다 단기 강수량 예측을 더 정확하게 수행할 수 있는가?
• RQ2 딥러닝 모델의 성능이 5일 예측 리드 시간까지도 우월하게 유지되는가?
• RQ3 딥러닝 예측 결과를 수치 기상 모델 출력과 융합하면 특히 극단 강우 사건에 대해 예측 정확도가 향상되는가?
• RQ4 모델의 빠른 추론 시간이 예측 신뢰도를 높이기 위해 대규모 앙상블 예측에 적합한가?

주요 결과

• 딥러닝 모델은 단독으로도 5일 예측 리드 시간까지 모든 예측 리드 시간에서 최고의 수치 기상 모델을 능가하여 일일 총 강수량 예측 성능을 확보한다.
• 5일 예측 강수량에 대해 상관계수 0.85를 기록하여 최고의 수치 모델보다 유의미하게 뛰어난 성능을 보인다.
• 수치 기상 모델 출력과 융합할 경우, 집중 강우 사건의 예측 오차를 최대 30%까지 감소시킨다.
• 모델의 추론 시간은 예측당 1 밀리초 이하로, 효율적인 대규모 앙상블 예측을 가능하게 한다.
• 모델은 미국 본토의 다양한 기상 조건과 지리적 지역에서 뛰어난 일반화 성능을 보인다.
• 결과는 딥러닝이 극단 기상 사건 탐지 분야에서 수치 기상 예측과 강력한 보완 관계를 맺을 수 있음을 시사한다.