[논문 리뷰] Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks

Tsuyoshi Thomas Sekiyama|arXiv (Cornell University)|2020. 07. 20.

Climate variability and models인용 수 8

한 줄 요약

이 연구는 일본 중부 지역의 22km 규모의 대기역학적 표면 기온 및 바람장에 대해 5km 메조스케일 기온장으로의 통계적 하향스케일링을 위한 딥 컨volution 신경망(DCNN) 기반의 서rogate 모델을 제안한다. 단일 이미지 슈퍼레졸루션(SISR) 기법을 활용하여, 훈련 후 저비용으로 고해상도 지형 특징을 재현할 수 있으며, 루트 평균 제곱 오차(RMSE)를 2.7K에서 1.0K로 감소시키고, 상관관계를 0.6에서 0.9로 향상시켰다. 이는 고도 1000m 이상 지역에서 성능 향상이 뚜렷하다.

ABSTRACT

Deep learning, particularly convolutional neural networks for image recognition, has been recently used in meteorology. One of the promising applications is developing a statistical surrogate model that converts the output images of low-resolution dynamic models to high-resolution images. Our study exhibits a preliminary experiment that evaluates the performance of a model that downscales synoptic temperature fields to mesoscale temperature fields every 6 hours. The deep learning model was trained with operational 22-km gridded global analysis surface winds and temperatures as the input, operational 5-km gridded regional analysis surface temperatures as the desired output, and a target domain covering central Japan. The results confirm that our deep convolutional neural network (DCNN) is capable of estimating the locations of coastlines and mountain ridges in great detail, which are not retained in the inputs, and providing high-resolution surface temperature distributions. For instance, while the average root-mean-square error (RMSE) is 2.7 K between the global and regional analyses at altitudes greater than 1000 m, the RMSE is reduced to 1.0 K, and the correlation coefficient is improved from 0.6 to 0.9 by the surrogate model. Although this study evaluates a surrogate model only for surface temperature, it probably can be improved by augmenting the downscaling variables and vertical profiles. Surrogate models of DCNNs require only a small amount of computational power once their training is finished. Therefore, if the surrogate models are implemented at short time intervals, they will provide high-resolution weather forecast guidance or environment emergency alerts at low cost.

연구 동기 및 목표

• 딥 러닝을 활용한 저비용·고해상도 서rogate 모델을 개발하여 메조스케일 기상 예측에 응용한다.
• 딥 컨volution 신경망(DCNN)이 대기역학적 기상장의 하향스케일링 능력을 평가한다.
• SISR 기법이 복잡한 지형(산지 및 골짜기 등)에서 고해상도 기온 분포를 정확히 재구성할 수 있는지 평가한다.
• 훈련된 DCNN 모델이 환경 위기 경보와 같은 실시간 또는 비상 대응 응용 분야에 활용 가능한지 탐색한다.
• 향후 수직 기상 프로파일 및 표면 기온 이외의 대기 변수로의 확장 기반을 마련한다.

제안 방법

• 22km 글로벌 분석 자료(T2, U10, V10)를 입력으로 사용하고, 5km 지역 분석 T2를 목표 출력으로 삼아 딥 컨volution 신경망(DCNN)을 훈련시켰다.
• 모델은 저해상도 기상장이 이미지로 간주되어 확대되는 단일 이미지 슈퍼레졸루션(SISR) 프레임워크를 적용하였다.
• 입력 영역은 일본 중부 지역(137.00°E–141.25°E, 34.60°N–38.00°N)이며, 0.25°×0.20° 해상도(18×18 픽셀)를, 출력은 5km 해상도(72×72 픽셀)를 사용하였다.
• JMA의 운영 글로벌 및 지역 분석 자료에서 6시간 간격의 데이터를 활용해 DCNN을 훈련하였으며, 지형에 기인한 기온 패턴을 잘 포착하는 데 중점을 두었다.
• 모델 성능 평가에는 지역 분석과의 RMSE 및 상관계수를 사용하였고, 공간적·시간적 분석을 포함하였다.
• 계절, 시간대, 지형 유형(고원, 수역, 골재지대 등)에 따른 성능 변화를 탐색하였으며, 바람 및 시간대 정보를 포함한 입력 증강 기법도 시험하였다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 서rogate 모델은 복잡한 지형에서 대기역학적 기상장의 하향스케일링을 효과적으로 수행할 수 있는가?
• RQ2 SISR 원리를 적용한 DCNN이 해안선, 산등성광, 골짜기 근처와 같은 미세한 기온 패턴을 얼마나 정확히 재현할 수 있는가?
• RQ3 모델 성능은 하루 중 시간대 및 계절에 따라 어떻게 변화하는가? 특히 일조 가열과 야간 냉각 현상과의 관련성은?
• RQ4 추가 입력 변수(예: 바람, 시간대)를 포함할 경우 하향스케일링 정확도에 어떤 영향을 미치는가?
• RQ5 훈련된 DCNN 모델은 실시간 고해상도 기상 안내 또는 환경 비상 대응에 저비용 대안으로 활용될 수 있는가?

주요 결과

• DCNN 서rogate 모델은 저해상도 입력에 존재하지 않는 해안선 및 산등성광 효과와 같은 세밀한 메조스케일 기온 패턴을 성공적으로 재현하였다.
• 고도 1000m 이상 지역에서 모델 출력과 지역 분석 간 루트 평균 제곱 오차(RMSE)는 입력 시 2.7K에서 출력 시 1.0K로 감소하였다.
• 고고도 지역에서 모델 출력과 지역 분석 간 상관계수는 0.6에서 0.9로 향상되어 강력한 공간 패턴 유지 능력을 보였다.
• 야간(18:00 UTC)에 고원 및 중원 지역에서 성능 향상이 뚜렷했으며, 이는 복사 냉각 및 바람 유도 냉각 과정의 보다 정확한 표현 때문일 수 있다.
• 동계(DJF)에 고원 지역에서 성능이 다소 떨어졌는데, 이는 저해상도 모델이积설을 잘 표현하지 못하기 때문일 수 있다.
• 3변수 모델(T2, U10, V10)은 1변수 모델(T2만)보다 성능이 뛰어나며, 시간대 정보를 포함한 훈련은 훈련 샘플 수 제한으로 인해 성능을 다소 악화시켰다.