[논문 리뷰] A Deep Convolutional Neural Network Model for improving WRF Forecasts

Alqamah Sayeed, Yunsoo Choi외 4명|arXiv (Cornell University)|2020. 08. 14.

Meteorological Phenomena and Simulations참고 문헌 22인용 수 10

한 줄 요약

이 연구는 한국 남부 지역의 WRF 메조스케일 기상 예보에서의 체계적 편향을 보정하기 위한 딥 컨volution 신경망(CNN)을 후처리 도구로 제안한다. 2014–2017년 동안의 WRF 예보 및 지상 관측 데이터 4년 분량으로 훈련된 이 CNN은 2018년 예보의 바람 속도, 강수량, 기온 등 다양한 변수에서 오차를 감소시키며, 93개의 관측소에서 WRF의 일치도 지수 0.67–0.98을 0.85–0.99로 향상시킨다.

ABSTRACT

Advancements in numerical weather prediction models have accelerated, fostering a more comprehensive understanding of physical phenomena pertaining to the dynamics of weather and related computing resources. Despite these advancements, these models contain inherent biases due to parameterization and linearization of the differential equations that reduce forecasting accuracy. In this work, we investigate the use of a computationally efficient deep learning method, the Convolutional Neural Network (CNN), as a post-processing technique that improves mesoscale Weather and Research Forecasting (WRF) one day forecast (with a one-hour temporal resolution) outputs. Using the CNN architecture, we bias-correct several meteorological parameters calculated by the WRF model for all of 2018. We train the CNN model with a four-year history (2014-2017) to investigate the patterns in WRF biases and then reduce these biases in forecasts for surface wind speed and direction, precipitation, relative humidity, surface pressure, dewpoint temperature, and surface temperature. The WRF data, with a spatial resolution of 27 km, covers South Korea. We obtain ground observations from the Korean Meteorological Administration station network for 93 weather station locations. The results indicate a noticeable improvement in WRF forecasts in all station locations. The average of annual index of agreement for surface wind, precipitation, surface pressure, temperature, dewpoint temperature and relative humidity of all stations are 0.85 (WRF:0.67), 0.62 (WRF:0.56), 0.91 (WRF:0.69), 0.99 (WRF:0.98), 0.98 (WRF:0.98), and 0.92 (WRF:0.87), respectively. While this study focuses on South Korea, the proposed approach can be applied for any measured weather parameters at any location.

연구 동기 및 목표

• 메조스케일 기상 예보를 위한 WRF 모델 출력에서의 체계적 편향을 줄이기 위해.
• 핵심 물리 모델을 변경하지 않고도 정확도를 향상시키는 계산적으로 효율적인 딥 러닝 방법을 개발하기 위해.
• CNN이 다양한 기상 변수와 공간적 위치에 걸쳐 일반화할 수 있는 능력을 평가하기 위해.
• 이 방법이 한국을 초월한 다른 지역과 기상 변수로의 이식 가능성을 입증하기 위해.

제안 방법

• 2차원 완전 컨volution 신경망(FCN)이 WRF 예보 편향의 공간적·시간적 패턴을 학습하도록 훈련된다.
• 모델은 한국의 93개 관측소에서 확보한 2014–2017년 기간 동안의 WRF 출력 및 해당 지상 관측 데이터를 포함한 4년치 역사적 데이터셋을 사용한다.
• 입력 특징은 27km 해상도의 WRF 예측 필드(예: 바람 속도, 기온, 강수량)를 포함하며, 목표값은 한국 기상청에서 제공한 관측값이다.
• 모든 변수에 걸쳐 예보 편향을 최소화하기 위해 평균 제곱오차 손실을 사용하여 CNN을 엔드 투 엔드로 훈련한다.
• 훈련된 모델은 2018년 WRF 예보에 대해 추론을 수행할 때 적용되며, 각 격자점과 시간 단위에서 편향 보정이 이루어진다.
• 평가에는 관측값 대비 예측 정확도를 정량화하는 지표인 일치도 지수(IOA)를 사용한다.

실험 결과

연구 질문

• RQ1 딥 CNN이 다양한 기상 변수에 걸쳐 WRF 모델 출력의 체계적 편향을 효과적으로 학습하고 보정할 수 있는가?
• RQ2 바람 속도 및 강수량과 같은 핵심 변수에 대해 CNN 기반 후처리기가 원본 WRF 출력 대비 예측 정확도를 얼마나 향상시키는가?
• RQ3 모델이 한국 내 다양한 공간적 위치와 기상 조건에 걸쳐 일반화되는 정도는 어느 정도인가?
• RQ4 다년간의 역사적 데이터 포함 여부가 WRF의 지속적인 편향을 포착하는 데 모델의 능력을 향상시키는가?

주요 결과

• CNN 기반 후처리기는 93개 전 관측소에서 표면 바람 속도의 일치도 지수(IOA)를 원본 WRF의 0.67에서 0.85로 크게 향상시켰다.
• 강수량에 대해서는 IOA가 WRF의 0.56에서 0.62로 상승하여 강우 예보 정확도 향상이 명확히 확인되었다.
• 기압 예측은 가장 높은 향상을 보였으며, IOA가 WRF의 0.69에서 0.91로 상승하여 강력한 편향 보정 효과를 보였다.
• 기온과 이슬점 온도 예측은 관측값과 거의 완벽한 일치를 보였으며, IOA 값은 각각 0.99(원본 WRF: 0.98) 및 0.98(원본 WRF: 0.98)였다.
• 상대습도 예측 역시 향상되었으며, IOA는 WRF의 0.87에서 0.92로 상승하여 변수 간에 강력한 보정 효과를 입증했다.
• 이 방법은 이식 가능하다: 동일한 훈련된 모델 아키텍처는 최소한의 재훈련으로도 다른 지역과 기상 변수에 적용 가능하다.