[논문 리뷰] Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy

Stefanos Giaremis, Noujoud Nader외 4명|arXiv (Cornell University)|2024. 03. 07.

Meteorological Phenomena and Simulations인용 수 4

한 줄 요약

이 논문은 역학적 타구예측 모델의 체계적 편향을 보정하기 위해 이슬람 기반의 딥러닝 모델을 제안한다. 이는 역학적 타구 예측 모델의 체계적 편향을 보정하기 위해 이슬람 기반의 딥러닝 모델을 제안한다. 이슬람 모델은 역학적 타구 예측 모델의 체계적 편향을 보정하기 위해 이슬람 기반의 딥러닝 모델을 제안한다. 이슬람 모델은 과거 타구 관측 데이터를 기반으로 훈련되었으며, 61개의 과거 허리케인을 대상으로 훈련되었고, 이는 허리케인 아이언(2022)의 예측 정확도를 향상시켰다. 모델은 시뮬레이션된 수위를 보정함으로써 예측 정확도를 향상시켰으며, 짧은 예측 윈도우에서는 R² > 0.9를 달성했고, 18시간 예측에서는 R² ~0.7–0.8를 유지하였다. 이는 매우 적은 데이터 요구량을 반영하며, 비교적 적은 수의 다양한 폭풍(6개)만으로도 전체 데이터셋 훈련 수준의 성능을 달성할 수 있었다.

ABSTRACT

Physics simulation results of natural processes usually do not fully capture the real world. This is caused for instance by limits in what physical processes are simulated and to what accuracy. In this work we propose and analyze the use of an LSTM-based deep learning network machine learning (ML) architecture for capturing and predicting the behavior of the systemic error for storm surge forecast models with respect to real-world water height observations from gauge stations during hurricane events. The overall goal of this work is to predict the systemic error of the physics model and use it to improve the accuracy of the simulation results post factum. We trained our proposed ML model on a dataset of 61 historical storms in the coastal regions of the U.S. and we tested its performance in bias correcting modeled water level data predictions from hurricane Ian (2022). We show that our model can consistently improve the forecasting accuracy for hurricane Ian -- unknown to the ML model -- at all gauge station coordinates used for the initial data. Moreover, by examining the impact of using different subsets of the initial training dataset, containing a number of relatively similar or different hurricanes in terms of hurricane track, we found that we can obtain similar quality of bias correction by only using a subset of six hurricanes. This is an important result that implies the possibility to apply a pre-trained ML model to real-time hurricane forecasting results with the goal of bias correcting and improving the produced simulation accuracy. The presented work is an important first step in creating a bias correction system for real-time storm surge forecasting applicable to the full simulation area. It also presents a highly transferable and operationally applicable methodology for improving the accuracy in a wide range of physics simulation scenarios beyond storm surge forecasting.

연구 동기 및 목표

• 역학적 타구 예측 모델의 체계적 오차를 예측하고 보정할 수 있는 머신러닝 프레임워크를 개발하는 것.
• 모델 출력에 학습된 편향 보정을 적용하여 사후적으로 예측 정확도를 향상시키는 것.
• 역사적 폭풍의 소규모 대표 샘플이 전체 데이터셋 훈련 수준의 성능을 달성할 수 있는지 평가하는 것.
• 실시간 타구 예측 시스템에 편향 보정 기능을 운영적으로 구현하는 것.
• 이 방법이 타구 모델링을 초월한 다른 물리 시뮬레이션 시나리오로도 이식 가능함을 보여주는 것.

제안 방법

• 모델은 관측된 수위와 모델링된 수위 간의 오프셋 시계열에서 시간 패턴을 학습하기 위해 장단기 기억(LSTM) 네트워크를 사용한다.
• 오프셋은 NOAA/USGS 타구 정류소에서 관측된 수위와 ADCIRC 시뮬레이션 수위 간의 차이로 계산되었다.
• 오프셋 시계열을 지도 학습 학습 샘플로 변환하기 위해 슬라이딩 윈도우 방법을 적용하였다.
• 모델 훈련 이전에 데이터를 표준화하고 훈련 및 검증 세트로 분할하였다.
• 모델은 61개의 과거 허리케인을 대상으로 훈련되었고, 훈련에서 제외된 허리케인 아이언(2022)을 대상으로 테스트되었다.
• 예측 정확도 평가를 위해, 보정된 예측 결과('모델링+ML')와 원본 모델 출력 결과('모델링')를 R² 및 다양한 타구 정류소에서의 시각적 분석을 통해 비교하였다.

실험 결과

연구 질문

• RQ1 이슬람 기반 모델이 과거 오프셋 데이터를 활용하여 타구 예측의 체계적 오차를 효과적으로 예측할 수 있는가?
• RQ2 특히 목표 폭풍과 상이한 경로를 가진 폭풍들로 구성된 축소된 훈련 세트를 사용할 경우, 모델 성능은 어떻게 변하는가?
• RQ3 소규모 대표 폭풍 세트(예: 6개)가 전체 데이터셋 훈련 성능과 유사한 성능을 달성할 수 있는가?
• RQ4 모델은 장기 예측 윈도우(최대 18시간)를 포함한 다양한 예측 수평에 대해 강건성을 유지하는가?
• RQ5 모델은 최소한의 재훈련과 낮은 계산 부담으로 실시간 예측에 운영적으로 구현될 수 있는가?

주요 결과

• ADCIRC 시뮬레이션 수위를 보정할 때, 허리케인 아이언에 대해 예측 윈도우가 6시간 이내일 경우 R² > 0.9를 달성했고, 18시간 예측 윈도우에서는 R² ~0.7–0.8를 유지하였다.
• 모델 출력에 ML로 예측한 오프셋을 적용한 결과('모델링+ML')는 원본 모델('모델링') 대비 대부분의 타구 정류소에서 예측 정확도가 유의미하게 향상되었다.
• 허리케인 아이언와 상이한 경로를 가진 폭풍 6개로 구성된 훈련 세트만으로도 9시간 이상의 예측 윈도우에서 전체 61개 폭풍 데이터셋 훈련 성능과 통계적으로 유의미한 차이가 없었다.
• 윌코크슨 부호 순위 검정을 통해 다양한 입력 윈도우 크기에서 전체 데이터셋 모델과 6개 폭풍 세트 모델 간의 R² 성능에 통계적으로 유의미한 차이가 없음을 확인하였다.
• 훈련 시간은 데이터 포인트 수와 입력 윈도우 크기와 선형적으로 증가하여, 예측 가능하고 관리 가능한 계산 비용을 나타내었다.
• 모델은 역사적 오프셋 데이터만을 사용하며 실시간 물리 모델 재실행이 필요 없기 때문에 운영적 활용 잠재력을 보였다.