[논문 리뷰] WF-UNet: Weather Fusion UNet for Precipitation Nowcasting

Christos Kaparakis, Siamak Mehrkanoon|arXiv (Cornell University)|2023. 02. 08.

Meteorological Phenomena and Simulations인용 수 5

한 줄 요약

이 논문은 서유럽에서 3시간 이내의 단기 강우 예측을 위해 강우량과 풍속 레이더 데이터를 융합하는 새로운 3D UNet 기반 딥러닝 모델인 WF-UNet을 제안한다. 두 개의 별도 스트림에서의 결합 수준 특징 융합을 통해 WF-UNet은 1시간 예측 시 다음으로 우수한 모델보다 MSE가 22% 낮으며, 기준 UNet 및 지속성 모델에 비해 정확도가 크게 향상된다.

ABSTRACT

Designing early warning systems for harsh weather and its effects, such as urban flooding or landslides, requires accurate short-term forecasts (nowcasts) of precipitation. Nowcasting is a significant task with several environmental applications, such as agricultural management or increasing flight safety. In this study, we investigate the use of a UNet core-model and its extension for precipitation nowcasting in western Europe for up to 3 hours ahead. In particular, we propose the Weather Fusion UNet (WF-UNet) model, which utilizes the Core 3D-UNet model and integrates precipitation and wind speed variables as input in the learning process and analyze its influences on the precipitation target task. We have collected six years of precipitation and wind radar images from Jan 2016 to Dec 2021 of 14 European countries, with 1-hour temporal resolution and 31 square km spatial resolution based on the ERA5 dataset, provided by Copernicus, the European Union's Earth observation programme. We compare the proposed WF-UNet model to persistence model as well as other UNet based architectures that are trained only using precipitation radar input data. The obtained results show that WF-UNet outperforms the other examined best-performing architectures by 22%, 8% and 6% lower MSE at a horizon of 1, 2 and 3 hours respectively.

연구 동기 및 목표

• 단지 강우량 레이더 데이터를 사용하는 모델보다 단기 강우 예측 정확도를 향상시키는 데이터 기반 딥러닝 모델을 개발하는 것.
• 풍속을 추가 입력 모odal로 통합했을 때 강우 예측 성능에 미치는 영향을 조사하는 것.
• 다양한 기상 변수의 시공간 특징을 효과적으로 융합하여 예측 정확도를 향상시키는 융합 기법을 설계하는 것.
• 서유럽에서 강우 강도 수준과 예측 수준(1~3시간)에 따라 모델 성능을 평가하는 것.
• 다중 모odal 기상 데이터의 결합 수준 융합이 단일 모달 또는 조기 융합 접근 방식에 비해 예측 정확도를 향상시킨다는 것을 입증하는 것.

제안 방법

• WF-UNet은 핵심 3D-UNet 아키텍처를 확장하여 강우량 레이더 데이터용, 풍속 데이터용 두 개의 병렬 입력 스트림을 갖는다.
• 각 스트림은 3D 컨볼루션과 잔차 블록을 통해 계약 경로를 거쳐 계층적 시공간 특징을 추출한다.
• 두 스트림의 특징 맵은 최종 업샘플링 레이어 이후 결합 수준에서 연결되어 보다 늦은 시점의 보완 정보 융합을 가능하게 한다.
• 모델는 향후 시간 단계의 픽셀 단위 강우 강도를 회귀하기 위해 평균 제곱오차(MSE) 손실을 사용하여 엔드 투 엔드로 훈련된다.
• 데이터셋은 14개 유럽 국가에서 확보한 ERA5 재분석 데이터셋에서 유래한 2016~2021년 6년간의 1시간 간격, 31 km² 해상도의 레이더 데이터로 구성되어 있으며, 총 6년 분량이다.
• 성능 평가는 EU-20(≥20% 강우 픽셀) 및 EU-50(≥50% 강우 픽셀) 두 개의 테스트 세트에서 MSE, 정밀도, 재현율, F1-스코어를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 강우량 레이더 데이터 외에 풍속 데이터를 추가 입력으로 통합했을 때, 단지 강우량 레이더 데이터만 사용하는 모델에 비해 강우 예측 정확도가 향상되는가?
• RQ2 강우량 및 풍속 스트림의 결정 수준 특징 융합이 예측 성능 측면에서 조기 융합 또는 늦은 융합 전략과 비교하여 어떻게 다른가?
• RQ3 1-, 2-, 3시간 예측 수준에서 WF-UNet은 최신 기술 기반 UNet 모델 및 지속성 기반 모델에 비해 상대적으로 얼마나 향상되었는가?
• RQ4 강우 강도 수준(예: 강우량이 적은 경우 vs. 강한 비)에 따라 모델 성능은 어떻게 변화하는가?
• RQ5 다중 모달 기상 데이터의 융합이 출력에서 강우 픽셀의 정확한 국소화에 기여하는가?

주요 결과

• WF-UNet은 EU-50 데이터셋에서 1시간 예측 수준에서 다음으로 우수한 모델인 Core UNet보다 MSE가 22% 낮으며, MSE는 6.34e-04를 기록한다.
• 2시간 예측 수준에서 WF-UNet은 최고의 베이스라인 대비 MSE를 8% 감소시켜 4.87e-04의 MSE를 달 đạt한다.
• 3시간 예측 수준에서 WF-UNet은 최고의 베이스라인 대비 MSE를 6% 감소시켜 6.34e-04의 MSE를 달성한다.
• WF-UNet은 모든 예측 수준에서 뛰어난 정밀도와 재현율을 보이며, EU-50 세트에서 1시간 예측 시 정밀도 0.933, 재현율 0.790을 기록한다.
• WF-UNet은 1시간 예측에서 Core UNet 대비 이진 정확도를 6% 향상시키며, 2시간 예측에서는 5%, 3시간 예측에서는 5% 향상된다.
• 특징 시각화 결과는 두 스트림이 서로 다른 보완적인 표현을 학습하고 있음을 확인한다: 강우량 스트림은 에코 구조를 포착하고, 풍속 스트림은 동적 유동 패턴을 포착한다.