[논문 리뷰] Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG

Mohammad Reza Ehsani, Ariyan Zarei외 3명|arXiv (Cornell University)|2021. 08. 16.

Meteorological Phenomena and Simulations참고 문헌 67인용 수 13

한 줄 요약

Nowcasting-Nets는 IMERG 위성 precipitation 자료를 사용하여 최대 4.5시간의 예측 리드 타임을 갖는 단기 강우 예측을 향상시키기 위해 순환형 및 복합형 기반의 두 가지 딥러닝 아키텍처를 도입한다. 복합형 Nowcasting 네트워크(잔차 헤드 포함, CNC-R)는 미국 전역에서 기준 모델 대비 강우 예측 정확도를 25~46% 향상시켰다.

ABSTRACT

Accurate and timely estimation of precipitation is critical for issuing hazard warnings (e.g., for flash floods or landslides). Current remotely sensed precipitation products have a few hours of latency, associated with the acquisition and processing of satellite data. By applying a robust nowcasting system to these products, it is (in principle) possible to reduce this latency and improve their applicability, value, and impact. However, the development of such a system is complicated by the chaotic nature of the atmosphere, and the consequent rapid changes that can occur in the structures of precipitation systems In this work, we develop two approaches (hereafter referred to as Nowcasting-Nets) that use Recurrent and Convolutional deep neural network structures to address the challenge of precipitation nowcasting. A total of five models are trained using Global Precipitation Measurement (GPM) Integrated Multi-satellitE Retrievals for GPM (IMERG) precipitation data over the Eastern Contiguous United States (CONUS) and then tested against independent data for the Eastern and Western CONUS. The models were designed to provide forecasts with a lead time of up to 1.5 hours and, by using a feedback loop approach, the ability of the models to extend the forecast time to 4.5 hours was also investigated. Model performance was compared against the Random Forest (RF) and Linear Regression (LR) machine learning methods, and also against a persistence benchmark (BM) that used the most recent observation as the forecast. Independent IMERG observations were used as a reference, and experiments were conducted to examine both overall statistics and case studies involving specific precipitation events. Overall, the forecasts provided by the Nowcasting-Net models are superior, with the Convolutional Nowcasting Network with Residual Head (CNC-R) achieving 25%, 28%, and 46% improvement in the test ...

연구 동기 및 목표

• IMERG 자료에 실시간 Nowcasting 시스템을 적용하여 원격 감지 강우 추정의 지연을 줄이기 위해.
• 강우 시스템의 혼돈스럽고 급격히 변화하는 성격을 딥러닝 모델로 다루기 위해.
• 최대 4.5시간의 리드 타임을 갖는 정확한 단기 강우 예측이 가능한 딥 네트워크를 개발하고 평가하기 위해.
• 기존 기계학습 모델(RF, 선형 회귀) 및 지속성 기준 모델과의 성능 비교를 위해.
• 동부 및 서부 미국 지역에서 독립적인 IMERG 관측 자료를 활용해 모델 성능을 검증하기 위해.

제안 방법

• 순환형 Nowcasting 네트워크(RNN 기반)와 복합형 Nowcasting 네트워크(CNN 기반, 잔차 헤드 포함, CNC-R)의 두 딥 네트워크 아키텍처를 설계한다.
• 예측 리드 타임이 1.5시간을 초과하는 경우를 고려해, 동부 연방미합중주의 공화국(CONUS) 지역의 IMERG 강우 자료를 기반으로 모델을 훈련한다.
• 시공간 모델링 접근 방식을 통해 연속적인 위성 기반 강우 필드 처리를 통해 변화하는 강우 패턴을 포착한다.
• 고해상도 강우 필드에서의 특징 표현을 향상시키고 훈련을 안정화하기 위해 CNC-R 모델에 잔차 학습 헤드를 구현한다.
• 모델의 예측 출력이 각 단계에서 다음 예측 단계의 입력으로 피드백되는 피드백 루프 메커니즘을 적용하여 최대 4.5시간까지의 예측을 연장한다.
• 평가를 위해 독립적인 IMERG 관측 자료를 진짜 값으로 사용하며, 편향, 상관계수 및 중요 성공 지수(CSI)와 같은 표준 지표를 적용한다.

실험 결과

연구 질문

• RQ1 IMERG 위성 자료에 딥러닝 모델을 적용할 때, 강우 Nowcasting의 지연을 효과적으로 줄일 수 있는가?
• RQ2 미국 전역에서 RNN 기반 및 CNN 기반 아키텍처의 성능는 어떻게 비교되는가?
• RQ3 피드백 루프 메커니즘이 1.5시간을 초과하는 예측 리드 타임을 연장하면서 정확도를 유지할 수 있는가?
• RQ4 Nowcasting-Nets는 기존 기계학습 모델(RF, 선형 회귀) 및 지속성 기준 모델 대비 예측 정확도에서 어떻게 성과를 내는가?
• RQ5 다양한 강우 사건과 지리적 지역(동부 대비 서부 CONUS)에서의 모델 성능은 어떠한가?

주요 결과

• 잔차 헤드를 갖춘 복합형 Nowcasting 네트워크(CNC-R)는 1.5시간 리드 타임에서 지속성 기준 모델 대비 중요 성공 지수(CSI)를 25% 향상시켰다.
• 1.5시간 리드 타임에서 CNC-R는 랜덤 포레스트 모델 대비 CSI에서 28% 향상되었고, 선형 회귀 모델 대비 46% 향상되었다.
• 피드백 루프 메커니즘이 성공적으로 예측 리드 타임을 4.5시간까지 연장했으며, 증가하는 불확실성에도 불구하고 합리적인 예측 품질을 유지했다.
• CNC-R 모델은 전체 통계 지표와 특정 대류 현상 사례 연구 모두에서 모든 기준 모델을 능가하는 성능를 보였다.
• 성능은 동부 CONUS에서 서부 CONUS보다 뚜렷하게 뛰어났으며, 이는 동부 지역에서 더 자주 발생하고 조직화된 강우 시스템이 많기 때문일 것이다.
• 본 연구는 IMERG 자료를 기반으로 훈련된 딥러닝 모델이 실시간 강우 Nowcasting의 정확도를 크게 향상시킬 수 있음을 입증하며, 지연된 위성 처리에 대한 의존도를 낮출 수 있음을 보여준다.