[논문 리뷰] Space-time calibration of wind speed forecasts from regional climate models

Luiz E. S. Gomes, Thaís C. O. Fonseca외 2명|arXiv (Cornell University)|2019. 09. 27.

demographic modeling and climate adaptation인용 수 4

한 줄 요약

이 논문은 복잡한 지형에서의 시간적 편향과 비대칭, 캐논된 바람 속도 분포를 다루기 위해 전-가우시안 랜덤 필드와 데이터 증강을 활용한 공간-시간 캘리브레이션 프레임워크를 제안한다. 이 방법은 동적이고 공간적으로 구조화된 베이지안 모델을 확률적 스코링 및 모델 선택 기준과 통합하여 예측 신뢰도와 정확도를 향상시킨다.

ABSTRACT

Numerical weather predictions (NWP) are systematically subject to errors due to the deterministic solutions used by numerical models to simulate the atmosphere. Statistical postprocessing techniques are widely used nowadays for NWP calibration. However, time-varying bias is usually not accommodated by such models. Its calibration performance is also sensitive to the temporal window used for training. This paper proposes space-time models that extend the main statistical postprocessing approaches to calibrate NWP model outputs. Trans-Gaussian random fields are considered to account for meteorological variables with asymmetric behavior. Data augmentation is used to account for censuring in the response variable. The benefits of the proposed extensions are illustrated through the calibration of hourly 10 m wind speed forecasts in Southeastern Brazil coming from the Eta model.

연구 동기 및 목표

• 지형과 지표면 이질성으로 인한 지역 기후 모델의 바람 속도 예측에서의 체계적 편향을 해결하기 위해.
• 시간에 따라 변화하는 편향과 계절성 변화를 동적 모델링을 통해 반영하기 위해.
• 비대칭적이고 캐논된 바람 속도 데이터의 특성을 전-가우시안 랜덤 필드와 데이터 증강을 통해 처리하기 위해.
• 통계적 후처리 과정에서 공간적 상관관계와 시간적 동적 특성을 통합하여 확률적 예측의 신뢰도를 향상시키기 위해.
• 정확한 캘리브레이션을 위한 강력한 평가를 위해 적절한 스코링 규칙과 베이지안 모델 선택 기준(DIC, LPML)을 사용하여 모델 성능 평가하기

제안 방법

• 시간에 따라 변화하는 평균과 분산을 갖는 바람 속도 예측을 모델링하기 위해 공간-시간 동적 선형 모델(ST-DLMs)을 활용한다.
• 박스-콕스 변환을 적용하여 비정규, 비대칭 바람 속도 분포를 모델링하기 위해 전-가우시안 랜덤 필드를 사용한다.
• 관측치가 감지 임계값 이하인 경우(예: 감지 불가능한 바람 속도)를 처리하기 위해 우도 함수에 데이터 증강 기법을 적용한다.
• 모델 파라미터 및 예측 분포 추정을 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 통한 베이지안 추론을 구현한다.
• 지리적 거리와 오로그래픽 복잡성 요소를 고려한 공분산 함수를 사용하여 공간적 상관관계를 통합한다.
• 모델 비교 및 최적의 캘리브레이션 모델 선별을 위해 확률적 스코링 규칙(IS, CRPS)과 모델 선택 기준(DIC, LPML)을 활용한다.

실험 결과

연구 질문

• RQ1 시간에 따라 변화하는 편향과 공간적 상관관계를 통합함으로써 지역 기후 모델의 바람 속도 예측의 신뢰도는 어떻게 향상되는가?
• RQ2 캐논된 바람 속도 관측치에 대한 데이터 증강 기법이 기존 방법 대비 캘리브레이션 성능 향상에 얼마나 기여하는가?
• RQ3 전-가우시안 랜덤 필드는 복잡한 지형에서 10m 고도의 바람 속도 분포의 비대칭성을 효과적으로 모델링할 수 있는가?
• RQ4 다양한 학습 윈도우 길이가 캘리브레이션 성능에 미치는 영향은 무엇이며, 제안된 모델은 이러한 민감도를 어떻게 완화할 수 있는가?
• RQ5 DIC 및 LPML과 같은 다양한 모델 선택 기준 중 어느 것이 바람 속도 예측에 가장 정확하고 신뢰도 높은 캘리브레이션 모델을 식별하는 데 가장 적합한가?

주요 결과

• 제안된 공간-시간 캘리브레이션 모델은 원본 모델 출력 대비 24시간 바람 속도 예측에서 평균 절대 오차(MAE)와 제곱근 평균 제곱 오차(RMSE)를 크게 감소시켰다.
• 데이터 증강과 전-가우시안 변환을 통합한 모델은 간격 스코어(IS)와 연속형 랭크 확률 스코어(CRPS)로 측정된 확률적 예측 정확도에서 표준 방법 대비 뛰어난 성능을 보였다.
• DIC 및 LPML를 활용한 베이지안 모델 선택은 항상 데이터 증강을 포함한 완전한 공간-시간 모델을 선호하여 더 우수한 적합도와 예측 성능을 나타냈다.
• 모델은 특히 지형이 복잡한 지역에서 바람 속도의 계절적 및 공간적 변동성을 효과적으로 포착하여 체계적 과소 또는 과대 예측을 감소시켰다.
• 캘리브레이션된 모델의 잔차는 Q-Q 플롯에서 정규성 향상을 보였으며, 이는 계절 전반에 걸쳐 보다 우수한 캘리브레이션과 감소된 편향을 의미한다.
• 동적이고 시간에 따라 변화하는 파라미터를 활용함으로써 모델은 기상 조건 변화에 적응할 수 있었으며, 고정된 학습 윈도우 길이에 대한 민감도를 감소시켰다.