[논문 리뷰] Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles

Bernard Benson, Edward Brown외 8명|arXiv (Cornell University)|2021. 12. 16.

Solar and Space Plasma Dynamics인용 수 4

한 줄 요약

이 논문은 장기 기억 네트워크(LSTM) 기반의 딥러닝 앙상블 모델을 제안하여 27일간의 예측 기간 동안 태양간 방사선 플럭스와 지자기 지수를 동시에 예측한다. 시간 시계열 데이터와 태양 이미지 데이터를 통합함으로써, 시간 시계열 전용 기준 모델 대비 루트 평균 제곱 오차(RMSE)를 30–40% 감소시켜 정확도 향상과 예측 불확실성 정량화를 입증한다.

ABSTRACT

Solar radio flux along with geomagnetic indices are important indicators of solar activity and its effects. Extreme solar events such as flares and geomagnetic storms can negatively affect the space environment including satellites in low-Earth orbit. Therefore, forecasting these space weather indices is of great importance in space operations and science. In this study, we propose a model based on long short-term memory neural networks to learn the distribution of time series data with the capability to provide a simultaneous multivariate 27-day forecast of the space weather indices using time series as well as solar image data. We show a 30-40\% improvement of the root mean-square error while including solar image data with time series data compared to using time series data alone. Simple baselines such as a persistence and running average forecasts are also compared with the trained deep neural network models. We also quantify the uncertainty in our prediction using a model ensemble.

연구 동기 및 목표

• 태양간 방사선 플럭스와 지자기 지수를 포함한 여러 태양지역기상 지표의 동시 다변량 예측 정확도를 향상시키는 것.
• 기존의 시간 시계열 전용 모델을 뛰어넘어 시간 시계열 데이터와 태양 이미지 데이터를 융합하여 예측 성능을 향상시키는 것.
• 딥 네트워크 앙상블를 활용해 예측 불확실성을 정량화하는 것.
• 지속성 및 이동 평균 예측과 같은 단순 기준 모델보다 다변량 태양지역기상 예측에서 성능을 뛰어넘는 것.
• 태양 활동 영향의 신뢰할 수 있는 27일 예측을 통해 우주 임무 및 과학적 이해를 지원하는 것.

제안 방법

• 다변량 시계열 데이터의 시간적 의존성을 모델링하기 위해 장기 기억(LSTM) 네트워크 기반의 딥 네트워크 아키텍처를 사용한다.
• 태양지역기상 지표의 순차적 시계열 데이터와 태양 관측소에서 확보한 공간적 태양 이미지 데이터를 입력 특징으로 융합한다.
• 예측의 강건성 향상과 불확실성 정량화를 위해 다수의 LSTM 모델 앙상블을 훈련시킨다.
• 태양의 자전 주기와 일치시키기 위해 27일 예측 기간을 설정함으로써 태양지역기상 응용 분야에서의 예측 관련성 향상.
• 일반적인 손실 함수와 시퀀스-투-시퀀스 예측을 위한 훈련 절차를 적용하며, 최종 예측에는 모델 평균화를 사용한다.
• 루트 평균 제곱 오차(RMSE)를 사용해 성능을 평가하고, 지속성 및 이동 평균 기준 모델과의 결과를 비교한다.

실험 결과

연구 질문

• RQ1 시간 시계열 데이터와 태양 이미지 데이터의 융합이 다변량 태양지역기상 예측의 정확도를 뚜렷이 향상시킬 수 있는가?
• RQ2 제안된 LSTM 앙상블 모델의 성능은 지속성 및 이동 평균과 같은 단순 기준 예측 방법보다 어떻게 비교되는가?
• RQ3 모델 앙상블이 태양지역기상 예측의 불확실성 정량화에 얼마나 기여하는가?
• RQ4 태양 이미지 데이터의 포함 여부가 태양간 방사선 플럭스 및 지자기 지수와 같은 핵심 지표의 예측 오차에 측정 가능한 감소 효과를 가져오는가?
• RQ5 단일 딥러닝 모델이 27일 예측 기간 동안 동시에 여러 태양지역기상 지표를 효과적으로 예측할 수 있는가?

주요 결과

• 시간 시계열 데이터에 태양 이미지 데이터를 추가함으로써, 시간 시계열 데이터만 사용하는 모델 대비 루트 평균 제곱 오차(RMSE)가 30–40% 감소하였다.
• 제안된 딥 네트워크 앙상블 모델은 모든 예측 지표에서 지속성 및 이동 평균 기준 모델보다 RMSE 측면에서 뛰어난 성능을 보였다.
• 모델 앙상블을 통해 예측 불확실성의 신뢰할 수 있는 정량화가 가능해져 예측 신뢰도 향상에 기여하였다.
• 모델는 태양의 자전 주기와 일치하는 27일 예측 기간 동안 태양간 방사선 플럭스와 지자기 지수를 동시에 다변량으로 예측하는 데 성공하였다.
• 시간 시계열 데이터와 이미지 데이터를 융합한 다중 모odal 데이터를 포함한 딥러닝 모델이 복잡한 태양지역기상 예측 과제에 매우 효과적임을 입증하였다.
• 연구 결과는 태양 이미지 데이터가 시간 시계열 데이터만으로는 제공할 수 없는 가치 있는 시공간 정보를 제공하며, 이를 통한 예측 성능 향상이 가능함을 확인하였다.