[논문 리뷰] Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for Meteorological Forecasting Based on Real-Time Observation Data from Ground Weather Stations

Xun Zhu, Yutong Xiong외 4명|arXiv (Cornell University)|2023. 02. 21.

Hydrological Forecasting Using AI인용 수 5

한 줄 요약

이 논문은 중국 전역의 실시간 고품질 관측 데이터를 기반으로 한 2,130개의 지상 기상 관측소에서 수집한 데이터를 바탕으로, 40,896시간 간격 동안 20개의 기상 변수를 포함하는 새로운 다변량 시공간 기준 데이터셋인 Weather2K를 소개한다. 이는 기상 요소에 기반한 정적 및 동적 그래프를 융합하는 MFMGCN이라는 다중 그래프 컨볼루션 네트워크를 제안하여 다양한 과제에서 기온, 시정, 습도 예측에 대해 최신 기술 수준의 성능과 향상된 시간적 내구성을 달성한다.

ABSTRACT

Weather forecasting is one of the cornerstones of meteorological work. In this paper, we present a new benchmark dataset named Weather2K, which aims to make up for the deficiencies of existing weather forecasting datasets in terms of real-time, reliability, and diversity, as well as the key bottleneck of data quality. To be specific, our Weather2K is featured from the following aspects: 1) Reliable and real-time data. The data is hourly collected from 2,130 ground weather stations covering an area of 6 million square kilometers. 2) Multivariate meteorological variables. 20 meteorological factors and 3 constants for position information are provided with a length of 40,896 time steps. 3) Applicable to diverse tasks. We conduct a set of baseline tests on time series forecasting and spatio-temporal forecasting. To the best of our knowledge, our Weather2K is the first attempt to tackle weather forecasting task by taking full advantage of the strengths of observation data from ground weather stations. Based on Weather2K, we further propose Meteorological Factors based Multi-Graph Convolution Network (MFMGCN), which can effectively construct the intrinsic correlation among geographic locations based on meteorological factors. Sufficient experiments show that MFMGCN improves both the forecasting performance and temporal robustness. We hope our Weather2K can significantly motivate researchers to develop efficient and accurate algorithms to advance the task of weather forecasting. The dataset can be available at https://github.com/bycnfz/weather2k/.

연구 동기 및 목표

• 지상 관측 데이터를 활용한 기상 예측을 위한 신뢰성 있고 실시간이며 다양한 기준 데이터셋의 부족을 해결하기 위해.
• 재분석, 위성 영상, 융합 데이터 등 기존 데이터셋의 진정성, 지표면 정확도, 시간 일관성 측면에서의 한계를 극복하기 위해.
• 기상 요소를 활용하여 기상 데이터의 시공간 상관관계를 효과적으로 모델링할 수 있는 일반화 가능한 딥러닝 프레임워크를 개발하기 위해.
• 기상학 분야에서 시계열 및 시공간 예측 모델 평가를 위한 표준화된 기준 기준 데이터셋을 구축하기 위해.
• 고품질의 오픈 액세스 데이터셋과 모델 프레임워크를 통해 대기과학 및 데이터 과학 공동체 간의 협력을 촉진하기 위해.

제안 방법

• Weather2K는 중국 전역 600만 km²에 걸쳐 2,130개의 지상 기상 관측소에서의 시간당 관측 데이터를 기반으로 하며, 실시간이고 신뢰할 수 있는 시간 커버리지를 확보한다.
• 이 데이터셋은 20개의 지표면 기상 변수와 3개의 공간 상수를 포함하여 다양한 과제에서의 다변량 예측을 가능하게 한다.
• 시간 시리즈 및 시공간 예측 과제를 모두 지원하는 이중 버전 데이터셋 구조를 통해 잘 정리된 시퀀스를 제공한다.
• MFMGCN은 거리, 이웃, 기압, 위치 기반 정적 그래프 4종과 기상 요소 상관관계 기반의 동적 그래프 1종을 통합하여 공간적 의존성을 모델링한다.
• 모델은 시간-공간 일관성을 확보한 완전한 컨볼루션 아키텍처를 채택하여 예측 정확도와 내구성을 향상시킨다.
• 그래프 융합의 효과는 아블레이션 연구를 통해 체계적으로 평가되어 각 그래프 유형의 전체 성능에 기여도를 분석한다.

실험 결과

연구 질문

• RQ1 기상 요소에 기반한 다수의 그래프 융합이 단일 그래프 기반 베이스라인 대비 시공간 예측 성능을 얼마나 향상시키는가?
• RQ2 MFMGCN이 기온, 시정, 습도와 같은 다양한 기상 변수에 대해 예측 정확도와 시간적 내구성을 얼마나 향상시키는가?
• RQ3 실지 지상 관측소 데이터 기반의 데이터 주도 모델이 기존의 전통적 NWP 및 GNN 기반 방법보다 기상 예측에서 우월한 성능을 내는가?
• RQ4 정적 대비 동적 그래프, 위치 기반 대비 요소 기반 그래프 구축 전략이 모델의 일반화 능력과 성능에 어떤 영향을 미치는가?
• RQ5 MFMGCN에서 각 그래프 유형(예: 거리, 기압, 위치)이 최종 예측 성능에 기여하는 상대적 기여도는 얼마인가?

주요 결과

• MFMGCN은 Weather2K에서 최신 기술 수준의 성능을 달성하였으며, 12단계 예측 수준에서 기온 예측의 최저 MAE 1.4418과 RMSE 2.0574를 기록하였다.
• 5개 그래프 융합(모든 정적 및 동적 그래프)은 기온, 시정, 습도 예측 전반에서 단일 그래프 및 부분 융합 구성보다 끈적한 성능을 보였다.
• 기상 요소 기반 동적 그래프(GK)는 단독으로는 성능이 열 劣하나, 정적 그래프와 융합될 경우 성능 향상에 기여하여 상호보완적 가치를 입증하였다.
• 모델은 강력한 시간적 내구성을 보였으며, 장기 예측 수준에서 성능 격차가 증가함에 따라 지속적인 신뢰성을 입증하였다.
• 아블레이션 연구를 통해 위치 기반 그래프(GL)가 가장 효과적인 단일 그래프로 확인되었고, 기압 기반 그래프(GP)는 다중 그래프 융합에서만 긍정적 기여를 하였다.
• 다양한 기상 변수에 걸쳐 성능 추세가 일관하여 다중 그래프 접근법의 일반화 능력이 확인되었다.