[논문 리뷰] Analysis, Characterization, Prediction and Attribution of Extreme Atmospheric Events with Machine Learning: a Review

Sancho Salcedo‐Sanz, Jorge Pérez‐Aracil외 10명|arXiv (Cornell University)|2022. 06. 03.

Meteorological Phenomena and Simulations인용 수 6

한 줄 요약

이 논문은 기상학적 극단적 사건(예: 폭염, 홍수, 가뭄, 폭설 등)의 분석, 예측, 기여도 분석에 응용된 기계학습(ML) 기법을 종합적으로 검토한다. 앙상블 방법, 딥러닝, 해석 가능한 AI를 포함한 최신 ML 기법들을 종합적으로 분석하며, 예측 정확도 향상과 기여도 분석에서의 효과를 입증하고, 데이터 부족, 불확실성 정량화, 복합적·동시적 극단 사건에 대한 모델 해석 가능성 부족 등의 과제를 제기한다.

ABSTRACT

Atmospheric Extreme Events (EEs) cause severe damages to human societies and ecosystems. The frequency and intensity of EEs and other associated events are increasing in the current climate change and global warming risk. The accurate prediction, characterization, and attribution of atmospheric EEs is therefore a key research field, in which many groups are currently working by applying different methodologies and computational tools. Machine Learning (ML) methods have arisen in the last years as powerful techniques to tackle many of the problems related to atmospheric EEs. This paper reviews the ML algorithms applied to the analysis, characterization, prediction, and attribution of the most important atmospheric EEs. A summary of the most used ML techniques in this area, and a comprehensive critical review of literature related to ML in EEs, are provided. A number of examples is discussed and perspectives and outlooks on the field are drawn.

연구 동기 및 목표

• 극단적 대기 현상(EEs)의 분석, 특성 기술, 예측 및 기여도 분석에 적용된 기계학습 기법에 대한 종합적 리뷰 제공
• 폭염, 홍수, 가뭄, 폭풍, 저 visibility 사건 등을 포함한 주요 EEs에서 핵심 ML 알고리즘과 그 성능 식별
• 데이터 부족, 모델 불확실성, ML 기반 극단 사건 연구에서의 해석 가능성 부족과 같은 핵심 과제 해결
• 기후 응용 분야에서 신뢰성과 신뢰도를 향상시키기 위해 물리적 제약 조건을 ML 모델에 통합할 필요성 강조
• 복합적·동시적 극단 사건과 같은 새로운 연구 분야 규명 및 인과 추론과 해석 가능한 AI가 기여도 분석에서 수행하는 역할 탐색

제안 방법

• 대기 EEs에서의 ML 응용에 관한 200篇 이상의 동료 심사 논문을 체계적으로 검토하며, 사건 유형과 ML 기법에 따라 분류
• 핵심 ML 방법의 이론적 개요: 앙상블 방법(배깅, 부스팅), 서포트 벡터 머신, 다층 퍼셉트론, 딥러닝, 특징 선택 기법
• 재분석 데이터를 사용하여 지역 기온 및 강수량 극단 현상 예측에 초점 맞춘 극단적 학습 기반 모델 및 딥러닝 모델(예: CNNs, RNNs) 적용
• 공간적으로 분포된 재분석 데이터를 활용하여 지역 기후 예측에서 모델 일반화 능력 향상 및 과적합 감소
• 모델 신뢰도 평가를 위한 불확실성 정량화 기법(예: 콫포멀 예측, 증거 기반 딥러닝, 변분 추론) 통합
• 물리적 제약 조건 및 해석 가능성 기법(예: LIME, SHAP) 통합을 통해 기여도 작업에서 모델 투명성 및 신뢰도 향상

실험 결과

연구 질문

• RQ1 폭염 및 홍수와 같은 극단적 대기 현상의 예측 및 기여도 분석에 가장 효과적인 기계학습 기법은 무엇인가?
• RQ2 재분석 데이터의 공간적 다양성은 기계학습 기반 기온 및 강수량 예측 정확도에 어떻게 기여하는가?
• RQ3 복합적·동시적 극단 사건에 기계학습을 적용할 때의 주요 과제는 무엇이며, 데이터 부족 문제는 어떻게 완화할 수 있는가?
• RQ4 불확실성 정량화 및 해석 가능성 기법은 기후 과학에서 ML 모델의 신뢰성과 해석 가능성에 어떻게 기여하는가?
• RQ5 기계학습이 인간 활동 기반 기후 변화에 의한 극단 사건 기여도 분석을 얼마나 향상시킬 수 있으며, 인과 추론은 어떤 역할을 하는가?

주요 결과

• 앙상블 방법, 딥러닝, 극단적 학습 기반 모델은 지역 기온 및 강수량 극단 현상 예측에서 전통적 통계 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 공간적으로 분포된 재분석 데이터 통합으로 프랑스의 8월 평균 기온 예측 정확도 향상이 이루어졌으며, 지역 과적합 감소와 일반화 능력 향상에 기여했다.
• 칵포멀 예측, 증거 기반 딥러닝과 같은 불확실성 정량화 기법은 특히 영향력이 큰 극단적 사건 시나리오에서 모델의 신뢰도 평가에 필수적이다.
• LIME 및 SHAP와 같은 해석 가능성 기법은 모델 투명성을 향상시키지만, 불확실성 추정과의 통합은 아직 미흡한 상태이다.
• 기계학습 기반 극단 사건 기여도 분석는 아직 초기 단계이지만, 최근 인과 추론 및 모델에 종속되지 않는 기법의 발전이 기후 변화와의 연관성 규명에 유망한 전망을 보이고 있다.
• 복합적·동시적 극단 사건은 여전히 주요 과제로 남아 있으며, 훈련 데이터 부족으로 인해 새로운 데이터 생성 전략과 하이브리드 모델링 접근법이 필요로 한다.