[논문 리뷰] Deep learning-based air temperature mapping by fusing remote sensing, station, simulation and socioeconomic data

Huanfeng Shen, Yun Jiang외 4명|arXiv (Cornell University)|2020. 01. 14.

Urban Heat Island Mitigation참고 문헌 58인용 수 5

한 줄 요약

이 연구는 중국 전역의 일일 최고 기온(Ta)을 다중원천 데이터(위성 원격 감지, 지상 기상관측, 재분석 시뮬레이션, 사회경제적 변수 포함)를 융합하여 맵핑하기 위한 딥 빌리프 네트워크(DBN) 기반 프레임워크를 제안한다. 5층의 DBN은 높은 정확도를 달성한다(RMSE: 1.996°C, MAE: 1.539°C, R: 0.986)이며, 다중선형회귀(MLR), 백프로파게이션 신경망(BPNN), 랜덤 포레스트 모델보다 우수한 성능을 보이며, 이질적인 데이터 원천을 활용한 시공간적 Ta 추정에 딥러닝의 효과성을 입증한다.

ABSTRACT

Air temperature (Ta) is an essential climatological component that controls and influences various earth surface processes. In this study, we make the first attempt to employ deep learning for Ta mapping mainly based on space remote sensing and ground station observations. Considering that Ta varies greatly in space and time and is sensitive to many factors, assimilation data and socioeconomic data are also included for a multi-source data fusion based estimation. Specifically, a 5-layers structured deep belief network (DBN) is employed to better capture the complicated and non-linear relationships between Ta and different predictor variables. Layer-wise pre-training process for essential features extraction and fine-tuning process for weight parameters optimization ensure the robust prediction of Ta spatio-temporal distribution. The DBN model was implemented for 0.01° daily maximum Ta mapping across China. The ten-fold cross-validation results indicate that the DBN model achieves promising results with the RMSE of 1.996°C, MAE of 1.539°C, and R of 0.986 at the national scale. Compared with multiple linear regression (MLR), back-propagation neural network (BPNN) and random forest (RF) method, the DBN model reduces the MAE values by 1.340°C, 0.387°C and 0.222°C, respectively. Further analysis on spatial distribution and temporal tendency of prediction errors both validate the great potentials of DBN in Ta estimation.

연구 동기 및 목표

• 다양한 원천의 데이터를 활용하여 중국 전역의 고해상도 시공간적 기온(Ta) 맵핑 방법을 개발하기 위해.
• Ta와 다양한 환경 및 사회경제적 예측 변수 간의 비선형적이고 복잡한 관계를 해결하기 위해.
• 딥러닝을 활용하여 전통적인 통계 및 기계학습 모델을 초월하여 Ta 추정 정확도를 향상시키기 위해.
• 딥 빌리프 네트워크(DBN)가 시공간적 Ta 변화를 포착하는 데 있어 견고성과 일반화 능력을 검증하기 위해.

제안 방법

• Ta와 예측 변수 간의 복잡한 비선형 관계를 모델링하기 위해 5층의 딥 빌리프 네트워크(DBN)를 사용한다.
• 입력 데이터로부터 계층적 특징을 추출하기 위해 계층별 사전 훈련을 적용한 후, 네트워크 가중치 최적화를 위해 피니팅을 수행한다.
• 입력 데이터에는 원격 감지 데이터(예: 지표면 온도), 지상 기상관측 데이터, 재분석 시뮬레이션 출력 데이터, 사회경제적 지표가 포함된다.
• 모델은 0.01° 해상도를 가진 국가 규모 데이터셋을 대상으로 10겹 교차검증 전략을 사용하여 훈련 및 검증된다.
• DBN은 스택드 오토에인코더 아키텍처를 통해 이질적인 데이터 원천을 융합하여 엔드 투 엔드 특징 학습 및 예측을 가능하게 한다.
• 모델 성능은 독립 테스트 세트에서 RMSE, MAE 및 결정계수(R²)를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 딥 빌리프 네트워크는 원격 감지, 기상관측소, 시뮬레이션 및 사회경제적 데이터와 같은 다중원천 데이터를 효과적으로 융합하여 일일 최고 기온 맵핑을 향상시킬 수 있는가?
• RQ2 다양한 기후 및 지형 지역에서 다중선형회귀(MLR), 백프로파게이션 신경망(BPNN), 랜덤 포레스트와 같은 전통적 방법과 비교해 DBN 모델은 Ta 예측 성능에서 어떻게 다를까?
• RQ3 DBN 기반 Ta 맵핑의 예측 오차는 공간적·시간적으로 어떻게 분포하는가? 이는 모델 신뢰성에 대해 무엇을 시사하는가?
• RQ4 사회경제적 및 시뮬레이션 기반 기상 데이터는 딥러닝 기반 Ta 추정 정확도를 어느 정도 향상시키는가?

주요 결과

• DBN 모델은 국토 전역에서 루트 평균 제곱 오차(RMSE) 1.996°C, 평균 절대 오차(MAE) 1.539°C, 결정계수(R) 0.986을 달성한다.
• DBN은 다중선형회귀(MLR) 대비 1.340°C, 백프로파게이션 신경망(BPNN) 대비 0.387°C, 랜덤 포레스트(RF) 대비 0.222°C의 MAE 향상을 기록한다.
• 공간 오차 분석 결과, 다양한 지형 및 기후 지역에서 일관된 예측 성능이 유지되어 일반화 능력이 뛰어나다는 것을 시사한다.
• 시간 오차 분석 결과, 시간 경과에 따른 편향이 최소화되어 계절 및 일일 Ta 변화를 안정적으로 포착하고 있음을 확인한다.
• 사회경제적 및 시뮬레이션 데이터의 통합은 특히 도시 지역과 데이터가 희소한 지역에서 모델 정확도를 크게 향상시킨다.
• 계층별 사전 훈련 및 피니팅 전략은 특징 추출 및 모델 수렴을 향상시켜 뛰어난 예측 성능에 기여한다.