[논문 리뷰] Tropical cyclone intensity estimations over the Indian ocean using Machine Learning

Koushik Biswas, Sandeep Kumar외 1명|arXiv (Cornell University)|2021. 07. 07.

Tropical and Extratropical Cyclones Research인용 수 5

한 줄 요약

이 연구는 중심기압, 기압강하 및 위치와 같은 사이클론 특성을 활용하여 북인도양에서 토네이도의 강도를 추정하기 위해 XGBoost 및 의사결정트리 모델을 사용하는 기계학습 프레임워크를 제안한다. 사이클론 등급 분류에 대해 88%의 정확도를 달성하고, MSWS 예측에 대해 2.3의 RMSE를 기록하며, 고강도 범주에서 거의 완벽한 성능(평균 정확도 98.84%)을 보였다. 실재 사이클론인 Vayu와 Fani에 대해 검증되었으며, R² > 0.99의 성능을 기록하였다.

ABSTRACT

Tropical cyclones are one of the most powerful and destructive natural phenomena on earth. Tropical storms and heavy rains can cause floods, which lead to human lives and economic loss. Devastating winds accompanying cyclones heavily affect not only the coastal regions, even distant areas. Our study focuses on the intensity estimation, particularly cyclone grade and maximum sustained surface wind speed (MSWS) of a tropical cyclone over the North Indian Ocean. We use various machine learning algorithms to estimate cyclone grade and MSWS. We have used the basin of origin, date, time, latitude, longitude, estimated central pressure, and pressure drop as attributes of our models. We use multi-class classification models for the categorical outcome variable, cyclone grade, and regression models for MSWS as it is a continuous variable. Using the best track data of 28 years over the North Indian Ocean, we estimate grade with an accuracy of 88% and MSWS with a root mean square error (RMSE) of 2.3. For higher grade categories (5-7), accuracy improves to an average of 98.84%. We tested our model with two recent tropical cyclones in the North Indian Ocean, Vayu and Fani. For grade, we obtained an accuracy of 93.22% and 95.23% respectively, while for MSWS, we obtained RMSE of 2.2 and 3.4 and $R^2$ of 0.99 and 0.99, respectively.

연구 동기 및 목표

• 북인도양에서 전통적 방법이 전문 장비가 필요로 하는 실시간 토네이도 강도 추정을 향상시키기 위해.
• 가용한 기상 매개변수를 사용하여 최대 지속 풍속(MSWS)과 사이클론 등급을 정확하고 빠르게 예측하는 과제를 해결하기 위해.
• 다양한 기계학습 알고리즘의 정확도와 낮은 오차를 바탕으로 사이클론 강도 추정 성능을 평가하기 위해.
• 최근 영향력 있는 사이클론(Vayu 및 Fani)에 대해 모델을 검증하여 실제 적용 가능성의 실증을 위해.

제안 방법

• 연구는 인도 기상국(IMD)의 28년간의 최적 트랙 데이터셋(1990–2017)을 사용하여 기능이 완전한 4,021개의 인스턴스를 선별하였다.
• 주요 입력 특징으로는 기원지, 일시, 위도, 경도, 추정 중심기압(ECP), 기압강하(PD), 사이클론 등급이 포함된다.
• MSWS 예측을 위해, RMSE와 R²를 평가 지표로 사용하여 10겹 교차검증을 수행한 회귀 모델(XGBoost, GBM, SVM 등)을 훈련시켰다.
• 사이클론 등급 분류를 위해, 정확도를 사용하여 다중분류 모델(XGBoost, 의사결정트리, SVM, 나이브 베이즈)을 평가하였다.
• 교차검증 결과를 바탕으로 가장 우수한 성능을 보인 모델—MSWS 예측에 XGBoost, 분류에 엔트로피 기반 깊이 4의 의사결정트리—를 선정하였다.
• 실시간 예측 성능를 평가하기 위해, 두 개의 최근 사이클론인 Vayu와 Fani에 대해 모델을 테스트하였다.

실험 결과

연구 질문

• RQ1 표준 기상 매개변수만을 사용하여 기계학습 모델이 북인도양에서 최대 지속 풍속(MSWS)을 정확하게 추정할 수 있는가?
• RQ2 기압과 위치와 같은 사이클론 특성을 바탕으로 기계학습 모델이 사이클론 강도 등급(1에서 7까지)을 얼마나 잘 분류할 수 있는가?
• RQ3 최근 영향력 있는 사이클론인 Vayu와 Fani와 같은 사이클론에 대해 모델이 높은 성능 유지를 보이며 실제 적용 가능성의 신뢰성을 보여주는가?
• RQ4 XGBoost, GBM, 또는 의사결정트리 중 어떤 기계학습 알고리즘이 사이클론 강도 추정에서 정확도와 일반화 능력의 최적 균형을 이룰 수 있는가?
• RQ5 재난 대비에 가장 중요한 고강도 범주(등급 5–7)에 대해 모델의 성능이 유의미하게 향상되는가?

주요 결과

• XGBoost는 MSWS 예측에서 가장 낮은 RMSE 2.3과 가장 높은 R² 0.99를 기록하여 다른 회귀 모델을 능가하였다.
• 엔트로피 기반 깊이 4의 의사결정트리는 사이클론 등급 예측에서 가장 높은 정확도 87.91%를 달성하였다.
• 고강도 범주(등급 5–7)에 대해 평균 정확도 98.84%를 기록하였으며, 심한 사이클론 스톰(SCS)에는 100%의 정확도를 기록하였다.
• 사이클론 Vayu에 대해 모델은 RMSE 2.2, R² 0.99로 MSWS를 예측하였고, 등급 예측 정확도는 93.22%였다.
• 사이클론 Fani에 대해 모델은 RMSE 3.4, R² 0.99로 MSWS를 예측하였고, 등급 예측 정확도는 95.23%였다.
• 모델는 새로운 최근 사이클론에서 높은 일반화 성능를 유지하며 실시간 적용 가능성의 타당성을 입증하였다.