[논문 리뷰] Probabilistic forecasts of extreme heatwaves using convolutional neural networks in a regime of lack of data

George Miloshevich, Bastien Cozian외 3명|arXiv (Cornell University)|2022. 08. 01.

Meteorological Phenomena and Simulations인용 수 8

한 줄 요약

이 논문은 8,000년 분량의 기후 모의 실험 데이터를 기반으로 훈련된 컨volutional 신경망(CNN)을 사용하는 딥러닝 프레임워크를 제안하여 프랑스 지역의 극단적 14일간의 폭염에 대해 확률적 예측을 수행한다. 이는 빠른 기상학적 원인(500 hPa 지면 높이)에 대해 최대 15일 전까지 예측 능력을 확보하고, 느린 원인(토양 수분)에 대해서는 더 긴 예측 리드 타임을 확보하며, 전통적 방법이 실패하는 데이터가 부족한 환경에서도 성능을 발휘한다.

ABSTRACT

Understanding extreme events and their probability is key for the study of climate change impacts, risk assessment, adaptation, and the protection of living beings. Forecasting the occurrence probability of extreme heatwaves is a primary challenge for risk assessment and attribution, but also for fundamental studies about processes, dataset and model validation, and climate change studies. In this work we develop a methodology to build forecasting models which are based on convolutional neural networks, trained on extremely long climate model outputs. We demonstrate that neural networks have positive predictive skills, with respect to random climatological forecasts, for the occurrence of long-lasting 14-day heatwaves over France, up to 15 days ahead of time for fast dynamical drivers (500 hPa geopotential height fields), and also at much longer lead times for slow physical drivers (soil moisture). This forecast is made seamlessly in time and space, for fast hemispheric and slow local drivers. We find that the neural network selects extreme heatwaves associated with a North-Hemisphere wavenumber-3 pattern. The main scientific message is that most of the time, training neural networks for predicting extreme heatwaves occurs in a regime of lack of data. We suggest that this is likely to be the case for most other applications to large scale atmosphere and climate phenomena. For instance, using one hundred years-long training sets, a regime of drastic lack of data, leads to severely lower predictive skills and general inability to extract useful information available in the 500 hPa geopotential height field at a hemispheric scale in contrast to the dataset of several thousand years long. We discuss perspectives for dealing with the lack of data regime, for instance rare event simulations and how transfer learning may play a role in this latter task.

연구 동기 및 목표

• 관측 데이터가 부족한 환경에서 극단적 폭염을 확률적으로 예측할 수 있는 기계학습 프레임워크 개발.
• 희귀 사건에 대해 역사적 데이터가 부족한 상황에서 장기 기후 모의 데이터로 훈련된 딥러닝 모델의 예측 능력 평가.
• 폭염 발생에 기여하는 빠른(기상학적) 및 느린(열역학적) 대기 원인의 역할 탐색.
• 500 hPa 지면 높이와 토양 수분 이외에 2 m 기온 데이터가 예측 성능에 추가적인 가치를 제공하는지 평가.
• 희귀 사건 통계를 포괄하기 위해 짧은 훈련 데이터셋(예: 100년)과 긴 데이터셋(수천 년 이상) 간의 성능 차이 분석.

제안 방법

• 8,000년 분량의 PlaSim 기후 모의 결과를 기반으로 3D U-Net 기반 컨volutional 신경망을 훈련하여 14일간의 폭염 발생 확률을 예측.
• 주요 예측 변수로 500 hPa 지면 높이와 토양 수분을 사용하고, 2 m 기온을 보조 테스트 변수로 활용.
• 불확실성 정량화 및 예측 신뢰성 확보를 위해 확률적 손실 함수를 적용.
• 기후 기준선과의 비교를 통해 예측 성능 검증 및 순위 확률 점수와 브라이어 점수를 활용한 예측 능력 평가.
• 희귀 사건 모의 및 전이 학습 기법을 도입하여 극단적 사건 예측에서의 데이터 부족 문제 해결.
• 모델 해석 도구를 활용해 폭염 사건과 관련된 물리적 패턴(예: 파장수-3 구조) 식별.

(a)

실험 결과

연구 질문

• RQ1 장기 기후 모의 데이터로 훈련된 컨volutional 신경망이 관측 데이터가 제한된 상황에서도 극단적 폭염에 대해 신뢰할 수 있는 확률적 예측을 제공할 수 있는가?
• RQ2 훈련 데이터셋의 길이에 따라 모델의 예측 능력이 어떻게 달라지는가? 특히 100년 분량과 수천 년 분량의 데이터셋 간 비교 시 성능 차이 분석.
• RQ3 빠른 기상학적 원인(예: 500 hPa 지면 높이)과 느린 열역학적 원인(예: 토양 수분)이 폭염 예측 가능성에 기여하는 상대적 기여도는 어떻게 되는가?
• RQ4 2 m 기온 데이터의 포함 여부가 500 hPa 지면 높이와 토양 수분 이외의 추가적인 통계적 정보를 제공하는가?
• RQ5 훈련된 모델에 따르면, 예를 들어 로시비 파동 구조와 같은 어떤 물리적 패턴이 극단적 폭염 사건을 가장 잘 예측하는가?

주요 결과

• 모델은 500 hPa 지면 높이와 같은 빠른 기상학적 원인에 대해 최대 15일 전까지 유의미한 예측 능력을 확보하며, 토양 수분과 같은 느린 원인에 대해서는 훨씬 더 긴 리드 타임에서 성능을 발휘한다.
• 100년 분량의 데이터셋으로 훈련할 경우, 훨씬 낮은 예측 능력과 함께 대륙 규모의 500 hPa 지면 높이 필드로부터 유의미한 정보를 추출하지 못함. 반면 8,000년 분량의 데이터셋으로 훈련할 경우 성능 유지를 가능하게 함.
• 수천 년 분량의 데이터셋으로 훈련하더라도, 대륙 규모의 지면 높이 필드로부터의 예측 능력이 수렴하지 않아 여전히 데이터 부족 문제 지속됨.
• 모델은 북반구의 파장수-3 패턴이 극단적 폭염 예측의 핵심 예측 변수임을 규명하였으며, 이는 지속적인 고기압 시스템과 연관됨.
• 2 m 기온 필드는 500 hPa 지면 높이와 토양 수분 필드에서 이미 포괄된 정보 외에 추가적인 통계적 정보를 제공하지 않음.
• 본 연구는 대부분의 대규모 기후 현상(폭염 포함)이 심각한 데이터 부족 환경에서 발생하는 것을 입증하였으며, 이는 장기 시뮬레이션 데이터셋 또는 전이 학습, 희귀 사건 모의와 같은 고도의 기법이 필요함을 시사함.

(b)