[논문 리뷰] Investigating two super-resolution methods for downscaling precipitation: ESRGAN and CAR

Campbell Watson, Chulin Wang외 2명|arXiv (Cornell University)|2020. 12. 02.

Cryospheric studies and observations인용 수 12

한 줄 요약

이 연구는 WRF 모델 데이터를 사용하여 희석된 해상도에서 고해상도 격자(최대 9×)로 강수량을 초해상도화하는 데 ESRGAN과 CAR을 평가한다. ESRGAN은 이중선형 보간법과 비교해 뚜렷이 뛰어난 성능을 보였으며, 9 km에서 1 km로의 초해상도화 시 평균 절대 오차가 0.078 mm/hr에 그쳐 높은 정확도를 보이며 기후 영향 모델링에 있어 계산 비용을 줄이는 데 잠재력을 보였다.

ABSTRACT

In an effort to provide optimal inputs to downstream modeling systems (e.g., a hydrodynamics model that simulates the water circulation of a lake), we hereby strive to enhance resolution of precipitation fields from a weather model by up to 9x. We test two super-resolution models: the enhanced super-resolution generative adversarial networks (ESRGAN) proposed in 2017, and the content adaptive resampler (CAR) proposed in 2020. Both models outperform simple bicubic interpolation, with the ESRGAN exceeding expectations for accuracy. We make several proposals for extending the work to ensure it can be a useful tool for quantifying the impact of climate change on local ecosystems while removing reliance on energy-intensive, high-resolution weather model simulations.

연구 동기 및 목표

• 저해상도 기상 모델 출력물로부터 고해상도 강수량 데이터를 생성하기 위한 계산 비용이 저렴한 방법을 개발하는 것.
• ESRGAN과 CAR 초해상도 모델의 성능을 유역역학 모델링 응용 분야에서 강수량 필드의 초해상도화에 평가하는 것.
• 정확도를 유지하면서 에너지 소모가 큰 고해상도 기상 시뮬레이션에 대한 의존도를 줄이는 것.
• 기계학습을 활용해 3 km 및 9 km WRF 모델 출력물로부터 1 km 해상도의 강수량 데이터를 생성하는 것이 가능한지 탐색하는 것.
• 특히 기후 변화 영향 연구를 위해 장기적인 호수 유역역학 시뮬레이션을 정확하게 지원하기 위해 입력 기상 데이터 해상도를 향상시키는 것.

제안 방법

• 시각적 품질보다 예측 정확도를 우선시하기 위해 VGG나 GAN 손실 없이 PSNR 기반 훈련을 수행한 Residual-in-Residual Dense Blocks( RRDB)를 활용한 ESRGAN을 사용하였다.
• 콘텐츠 기반 리샘플링 커널을 기반으로 고해상도 픽셀을 생성하는 메타학습된 동적 필터를 사용하는 콘텐츠 적응형 리샘플러(CAR) 모델을 적용하였다.
• 2017년부터 2020년까지의 시간당 WRF 강수량 및 기상 데이터(기온, 바람, 습도, 기압)를 사용하여 훈련/검증 데이터를 80/20% 비율로 분할하여 모델을 훈련시켰다.
• 입력 특성으로 3 km 및 9 km WRF 도메인을 사용하고, 초해상도 복원을 위한 목표로 1 km WRF 출력을 사용하였다.
• 시각적 손실과 적대적 손실을 비활성화하여 물리적 정확도에 중점을 두고 PSNR 기반 오차 최소화에만 집중하여 ESRGAN을 최적화하였다.
• 다양한 시간대에서의 강수 이벤트에 대한 시각적 점검과 함께 평균 절대 오차(MAE)를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 ESRGAN과 CAR는 전통적인 이중선형 보간법보다 9 km에서 1 km로의 초해상도화를 더 정확하게 수행할 수 있는가?
• RQ2 ESRGAN은 저해상도 입력에서 세밀한 강수 패턴을 재구성하는 데서 CAR과 비교해 어떤 성능을 보이는가?
• RQ3 초해상도 모델은 강수 필드의 다양한 공간 및 시간 척도에서 얼마나 잘 일반화되는가?
• RQ4 초해상도화 방법은 정확도를 유지하면서 계산 비용과 탄소 배출량을 줄일 수 있는가?
• RQ5 강수량 초해상도화 성능을 신뢰성 있게 달성하기 위해 필요한 최소 훈련 데이터량은 얼마인가?

주요 결과

• ESRGAN은 9 km에서 1 km로의 초해상도화 시 평균 절대 오차(MAE)가 0.078 mm/hr로, CAR(0.931 mm/hr)와 이중선형 보간법(1.98 mm/hr)을 크게 뛰어넘었다.
• ESRGAN은 구조적 왜곡을 최소화하면서도 강우 시스템과 같은 특정 강수 이벤트를 정확히 재구성하였다.
• 최대 0.1 mm/hr까지의 체계적 과소평가가 있었음에도 불구하고, 다양한 기상 조건에서 강건하고 뛰어난 일반화 능력을 보였다.
• CAR 모델은 입력의 시각적 특징을 유지했지만, 더 높은 MAE를 기록하여 세밀한 강수 패턴의 재구성 정확도가 떨어졌다.
• 9× 초해상도 작업이 성공적으로 수행되어, ESRGAN이 입력 도메인과 목표 도메인의 물리적 특성이 다를 경우에도 큰 해상도 증가를 처리할 수 있음을 입증하였다.
• 결과적으로 ESRGAN은 고해상도 기상 모델 시뮬레이션에 비해 비용이 저렴하면서도 호수 및 기타 국지 생태계의 유역역학 모델을 강화하는 데 실용적인 대안이 될 수 있다.