[논문]적대적 생성 신경망을 이용한 레이더 기반 초단시간 강우예측

윤성심; 신홍준; 허재영

doi:10.3741/jkwra.2023.56.8.471

적대적 생성 신경망을 이용한 레이더 기반 초단시간 강우예측
Radar-based rainfall prediction using generative adversarial network 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.56 no.8, 2023년, pp.471 - 484

윤성심 (한국건설기술연구원 수자원하천연구본부) , 신홍준 (한국수력원자력 수력처) , 허재영 (세종대학교 공과대학 건설환경공학과)

초록
AI-Helper

적대적 생성 신경망 기반의 딥러닝 모델은 학습된 정보를 바탕으로 새로운 정보를 생성하는데 특화되어 있다. 구글 딥마인드에서 개발한 deep generative model of rain (DGMR) 모델은 대규모 레이더 이미지 데이터의 복잡한 패턴과 관계를 학습하여, 예측 레이더 이미지를 생성하는 적대적 생성 신경망 모델이다. 본 연구에서는 환경부 레이더 강우관측자료를 이용하여 DGMR 모델을 학습하고, 2021년 8월 호우사례를 대상으로 적대적 생성 신경망을 이용하여 강우예측을 수행하고 기존 예측기법들과 정확도를 비교하였다. DGMR은 대체적으로 선행 60분까지는 강우 분포 위치가 관측강우와 가장 유사하였으나, 전체 영역에서 강한 강우가 발생한 사례에서는 강우가 지속적으로 발달하는 것으로 예측하는 경향이 있었다. 통계적 평가에서도 DGMR 기법이 1시간 선행예측에서 임계성공지수 0.57~0.79, 평균절대오차 0.57~1.36 mm로 나타나 타 기법 대비 효과적인 강우예측 기법임을 보여주었다. 다만, 생성 결과의 다양성이 부족한 경우가 발생하여 예측 정확도를 저하하므로 다양성을 개선하기 위한 연구와 2시간 이상의 선행예측에 대한 정확도 개선을 위해 물리기반 수치예보모델 예측강우 자료를 이용한 보완이 필요할 것으로 판단되었다.

Abstract ▼ AI-Helper

Deep learning models based on generative adversarial neural networks are specialized in generating new information based on learned information. The deep generative models (DGMR) model developed by Google DeepMind is an generative adversarial neural network model that generates predictive radar images by learning complex patterns and relationships in large-scale radar image data. In this study, the DGMR model was trained using radar rainfall observation data from the Ministry of Environment, and rainfall prediction was performed using an generative adversarial neural network for a heavy rainfall case in August 2021, and the accuracy was compared with existing prediction techniques. The DGMR generally resembled the observed rainfall in terms of rainfall distribution in the first 60 minutes, but tended to predict a continuous development of rainfall in cases where strong rainfall occurred over the entire area. Statistical evaluation also showed that the DGMR method is an effective rainfall prediction method compared to other methods, with a critical success index of 0.57 to 0.79 and a mean absolute error of 0.57 to 1.36 mm in 1 hour advance prediction. However, the lack of diversity in the generated results sometimes reduces the prediction accuracy, so it is necessary to improve the diversity and to supplement it with rainfall data predicted by a physics-based numerical forecast model to improve the accuracy of the forecast for more than 2 hours in advance.

주제어

표/그림 (11)

그림 Fig. 1. Study area
그림 Fig. 2. Modified DGMR overview (Ravuri et al., 2021)
그림 Fig. 3. Model training result of each epoch ((a): Training, (b): Validation)
그림 Fig. 4. Forecasted radar rainfall distributions for lead time from 10 to 180 minutes (predicted at 07:00 14 August 2021)
표 Table 1. Characteristics of the evaluated events
그림 Fig. 5. Forecasted radar rainfall distributions for lead time from 10 to 180 minutes (predicted at 12:10 21 August 2021)
그림 Fig. 6. Forecasted radar rainfall distributions for lead time from 10 to 180 minutes (predicted at 18:00 23 August 2021)
그림 Fig. 7. Forecasted radar rainfall distributions for lead time from 10 to 180 minutes (predicted at 03:20 29 August 2021)
그림 Fig. 8. Forecasted radar rainfall distributions for lead time from 10 to 180 minutes (predicted at 16:40 31 August 2021)
그림 Fig. 9. Mean Absolute Error (MAE) and Critical Success Index (CSI) for 0.1 mm/hr thresholds. The metrics are shown as a function of lead time for DGMR, ConvLSTM2D U-Net, HFC-QPF. All values represent the average of the corresponding metric over each event
표 Table 2. Evaluation of QPF accuracy

참고문헌 (22)

Ayzel, G., Scheffer, T., and Heistermann, M. (2020). "RainNet v1.0:？A convolutional neural network for radar-based precipitation？nowcasting." Geoscientific Model Development, Vol. 13, pp.？2631-2644.

상세보기
Choi, S., and Kim, Y. (2022). "Rad-cGAN v1.0: Radar-based precipitation nowcasting model with conditional generative adversarial networks for multiple dam domains." Geoscientific？Model Development, Vol. 15, No. 15, pp. 5967-5985. doi: 10.5194/gmd-15-5967-2022.

상세보기
Clark, A., Donahue, J., and Simonyan, K. (2019). "Adversarial video？generation on complex datasets." arXiv:1907.06571. doi: 10.48550/arXiv.1907.06571.
Espeholt, L., Agrawal, S., Sonderby, C., Kumar, M., Heek, J., Bromberg,？C., Gazen, C., Carver, R., Andrychowicz, M., Hickey, J., Bell,？A., and Kalchbrenner, N., (2022). "Deep learning for twelve？hour precipitation forecasts." Nature Communications, Vol.？13, 5145. doi: 10.1038/s41467-022-32483-x.

상세보기
Karras, T., Aila, T., Laine, S., and Lehtinen, J. (2017). "Progressive？growing of gans for improved quality, stability, and variation."？arXiv preprint arXiv:1710.10196.
Kim, Y., and Hong, S. (2022). "Very short-term rainfall prediction？using ground radar observations and conditional generative？adversarial networks," IEEE Transactions on Geoscience and？Remote Sensing, Vol. 60, 4104308. doi: 10.1109/TGRS.2021.3108812.

상세보기
Lin, C., Vasic, S., Kilambi, A., Turner, B., and Zawadzki, I. (2005).？"Precipitation forecast skill of numerical weather prediction？mod?els and radar nowcasts." Geophysical Research Letters,？Vol. 32, No. 14, L14801, doi: 10.1029/2005GL023451.

상세보기
Palmer, T.N., and Raisanen, J. (2002). "Quantifying the risk of extreme？seasonal precipitation events in a changing climate." Nature,？Vol. 415, pp. 512-514. doi: 10.1038/415512a.

상세보기
Ravuri, S., Lenc, K., Willson, M, Kangin, D., Lam, R., Mirowski, P.,？Fitzsimons, M., Athanassiadou, M., Kashem, S., Madge, S.,？Prudden, R., Mandhane, A., Clark, A., Brock, A., Simonyan,？K., Hadsell, R., Robinson, N., Clancy, E., Arribas, A., and？Mohamed, S. (2021). "Skilful precipitation nowcasting using？deep generative models of radar." Nature, Vol. 597, pp. 672-677. doi: 10.1038/s41586-021-03854-z.

상세보기
Reichstein, M., Camps-Valls, G., Stevens, B., Jung, M., Denzler, J.,？Carvalhais, N., and Prabhat. (2019). "Deep learning and process understanding for data-driven Earth system science."？Nature, Vol. 566, pp. 195-204. doi: 10.1038/s41586-019-0912-1.

상세보기
Richardson, D.S. (2000). " Skill and relative economic value of the？ECMWF ensemble prediction system." Quarterly Journal of？the Royal Meteorological Society, Vol. 126, pp. 649-667.

상세보기
Seo, H.Y., Lee, G.H., Hyein, M.S., and Won, Y.S. (2020). "Current？status of improvement of rainfall radar utilization." Water for？future, Korea Water Resources Association, Vol. 53, p. 35-45.
Shi, X., Chen, Z., Wang, H., Yeung, D., Wong, W., and Woo, W.？(2015). "Convolutional LSTM Network: A machine learning？approach for precipitation nowcasting." In Proceedings of the？28th International Conference on Neural Information Processing Systems - Volume 1 (NIPS'15), Montreal, Canada, MIT？Press, Cambridge, MA, U.S., pp. 802-810.
Shi, X., Gao, Z., Lausen, L., Wang, H., Yeung D., Wong, W., and？Woo, W. (2017). "Deep learning for precipitation nowcasting:？A benchmark and a new model." 31st Conference on Neural？Information Processing Systems (NIPS 2017), Long Beach,？CA, U.S.
Shin, H.J., Yoon, S.S., and Choi, J.M. (2021). "Radar rainfall？prediction based on deep learning considering temporal？consistency." Journal of Korea Water Resources Association,？Vol. 54, No. 5, pp. 301-309.
Sun, J., Xue, M., Wilson, J.W., Zawadzki, I., Ballard, S.P., OnvleeHooimeyer, J., Joe, P., Barker, D.M., Li, P.-W., Golding, B.,？Xu, M., and Pinto, J. (2014). "Use of NWP for nowcasting？convective precipitation: recent progress and challenges."？Bulletin of the American Meteorological Society, Vol. 95, No.？3 pp. 409-426, doi: 10.1175/BAMS-D-11-00263.1.

상세보기
Tran, Q.K., and Song, S.K. (2019). "Computer vision in precipitation nowcasting: applying image quality assessment metrics for？training deep neural networks." Atmosphere, Vol. 10, No. 5, 244.？doi: 10.3390/atmos10050244.

상세보기
Turner, B.J., Zawadzki, I., and Germann, U. (2004). "Predictability？of precipitation from continental radar images. Part III: Operational Nowcasting Implementation (MAPLE)." Journal of？Applied Meteorology, Vol. 43, No. 2, pp. 231-248.
Xie, P.F., Li, X.T., Ji, X.Y., Chen, X.L., Chen, Y.Z., Liu, J., and Ye,？Y.M. (2022). "An energy-based generative adversarial forecaster for radar echo map extrapolation." IEEE Geoscience？and Remote Sensing Letters, Vol. 19, 3500505. doi: 10.1109/lgrs.2020.3023950.

상세보기
Yoon, S.S., Park, H.S., and Shin, H.J. (2020). "Very short-term rainfall？prediction based on radar image learning using deep neural？network." Journal of Korea Water Resources Association, Vol.？53, No. 12, pp. 1159-1172.
Zhang, Y., Long, M., Chen, K, Xing, L., Jin, R., Jordan, M.I., and Wang, J. (2023). "Skilful nowcasting of extreme precipitation？with NowcastNet." Nature, Vol. 619, pp. 526-532. doi: 10.1038/s41586-023-06184-4

상세보기
Zheng, K., Liu, Y., Zhang, J.B., Luo, C., Tang, S.Y., Ruan, H.H.,？Tan, Q.Y., Yi, Y.L., and Ran, X.T. (2022). "GAN-argcPred？Net v1.0: A generative adversarial model for radar echo extrapolation based on convolutional recurrent units." Geoscientific？Model Development, Vol. 15, No. 4, pp. 1467-1475. doi: 10.5194/gmd-15-1467-2022.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증