[논문 리뷰] Super-Resolution of Near-Surface Temperature Utilizing Physical Quantities for Real-Time Prediction of Urban Micrometeorology

Yuki Yasuda, Ryo Onishi외 3명|arXiv (Cornell University)|2021. 08. 02.

Urban Heat Island Mitigation인용 수 4

한 줄 요약

이 논문은 도시 지역에서 저해상도(20 m)에서 고해상도(5 m)로 근표면 온도 해상도를 향상시키기 위해 스킵 연결과 채널 주의 메커니즘을 갖춘 컨volution 신경망 기반의 물리 기반 초해상도(SR) 모델을 제안한다. 도쿄의 건물 해상도가 있는 대류 해상도 시뮬레이션(Large-eddy Simulation, LES)에서 훈련하고 오사카로 일반화한 모델은 이방법 보간법과 온도 전용 SR 모델보다 뛰어난 성능을 보이며, 건물 높이가 건물 경계 근처의 오차를 줄이고 다양한 일조 조건에서 열 정확도를 향상시키는 데 가장 중요한 입력 요소로 나타났다.

ABSTRACT

The present paper proposes a super-resolution (SR) model based on a convolutional neural network and applies it to the near-surface temperature in urban areas. The SR model incorporates a skip connection, a channel attention mechanism, and separated feature extractors for the inputs of temperature, building height, downward shortwave radiation, and horizontal velocity. We train the SR model with sets of low-resolution (LR) and high-resolution (HR) images from building-resolving large-eddy simulations (LESs) in a city, where the horizontal resolutions of LR and HR are 20 and 5 m, respectively. The generalization capability of the SR model is confirmed with LESs in another city. The estimated HR temperature fields are more accurate than those of the bicubic interpolation and image SR model that takes only the temperature as its input. Except for the temperature input, the building height is the most important to reconstruct the HR temperature and enables the SR model to reduce errors in temperature near building boundaries. The SR model considers the appropriate boundary for each building from its height information. The analysis of attention weights indicates that the importance of the building height increases as the downward shortwave radiation becomes larger. The contrast between sun and shade is strengthened with the increase in solar radiation, which may affect the temperature distribution. The short inference time suggests the potential of the proposed SR model to facilitate a real-time HR prediction in metropolitan areas by combining it with an LR building-resolving LES model.

연구 동기 및 목표

• 초해상도(SR) 기법을 활용해 도시 근표면 온도에 대한 실시간 고해상도 예측 방법을 개발하기.
• 온도 이외의 물리적 양을 통합함으로써 저해상도(LR) 도시 미기상 시뮬레이션의 정확도를 향상시키기.
• 도쿄와 오사카와 같은 서로 다른 도시 환경에서 SR 모델의 일반화 능력을 평가하기.
• 특히 건물 높이와 일조 조사와 같은 물리적 입력이 초해상도 성능과 물리적 일관성을 향상시키는 데 미치는 영향을 조사하기.
• 저해상도 LES 시뮬레이션과 결합한 SR 모델을 통해 실시간 고해상도 온도 예측을 가능하게 하기.

제안 방법

• 모델는 특징 재구성 과정에서 공간적 세부 정보를 유지하기 위해 U-Net 유사 아키텍처와 스킵 연결을 사용한다.
• 근표면 온도, 건물 높이, 하방 단파 복사, 수평 바람 속도의 네 가지 입력 모odal리티에 대해 별도의 특징 추출기 구조를 적용한다.
• 채널 주의 메커니즘이 각 입력 특징의 중요도를 동적으로 가중하며, 강한 일조 조건에서는 건물 높이가 높은 주의도를 보인다.
• 모델는 도쿄의 건물 해상도가 있는 대류 해상도 시뮬레이션(Large-eddy Simulation, LES)에서 유도된 저해상도(20 m)와 고해상도(5 m) 온도 필드의 쌍화된 데이터로 훈련된다.
• 일반화 능력은 독립된 오사카의 LES 데이터셋을 활용해 테스트되었으며, 다양한 도시 형태 간의 강건성을 확인했다.
• 추론 시간이 짧아 저해상도 미기상 모델과의 실시간 통합이 가능할 잠재력을 지닌다.

실험 결과

연구 질문

• RQ1 한 도시에서 훈련된 딥러닝 기반 초해상도 모델이 다른 도시 형태를 가진 다른 도시로 일반화 가능한가?
• RQ2 건물 높이와 일조 조사와 같은 물리적 양이 고해상도 온도 필드 재구성 능력에 미치는 영향은 어떠한가?
• RQ3 온도 전용 모델에 비해 물리적 입력을 통합할 경우 초해상도 정확도가 얼마나 향상되는가?
• RQ4 주의 메커니즘이 일조면과 그림자 면의 대비와 같은 물리적 관계를 어떻게 반영하는가?
• RQ5 저해상도 LES 시뮬레이션과 결합했을 때 모델이 실시간 고해상도 예측을 달성할 수 있는가?

주요 결과

• 제안된 SR 모델은 도쿄와 오사카 시뮬레이션 모두에서 이방법 보간법과 온도 전용 SR 모델보다 고해상도 온도 필드 재구성에서 뚜렷한 성능 향상을 보였다.
• 온도 이외에 건물 높이가 가장 영향력 있는 입력 요소로 나타났으며, 건물 경계 근처의 오차를 줄여 도시 구조물에서의 열 기울기를 인식함으로써 열 정확도를 향상시켰다.
• 하방 단파 복사가 증가할수록 모델의 주의 메커니즘이 건물 높이에 더 높은 가중치를 할당하며, 일조면과 그림자 면 간의 열 대비가 증가하는 것을 반영한다.
• 재훈련 없이도 다른 도시(오사카)로 일반화가 잘 되었으며, 이는 다양한 도시 형태 간의 강력한 이식성(transferability)을 시사한다.
• 추론 시간이 충분히 짧아 저해상도 LES 모델과의 조합으로 실시간 고해상도 예측을 지원할 수 있었다.
• 손실 함수에 물리적 제약 조건을 명시하지 않았음에도 불구하고, LES 데이터로부터 모델이 암묵적으로 물리적 관계를 학습했으며, 이는 훈련 데이터에서 유도된 잠재적 물리적 일관성의 존재를 시사한다.