[논문]Low-GloSea6 기상 예측 소프트웨어의 머신러닝 기법 적용 연구

박혜성; 조예린; 신대영; 윤은옥; 정성욱

doi:10.17661/jkiiect.2023.16.5.307

초록
AI-Helper

슈퍼컴퓨팅 기술 및 하드웨어 기술이 발전함에 따라 기후 예측 모델도 고도화되고 있다. 한국 기상청 역시 영국 기상청으로부터 GloSea5을 도입하였고 한국 기상 환경에 맞추어 업데이트된 GloSea6를 운용 중이다. 각 대학 및 연구기관에서는 슈퍼컴퓨터보다는 사양이 낮은 중소규모 서버에서 활용하기 위해 저해상도 결합모델인 Low-GloSea6를 구축하여 사용하고 있다. 본 논문에서는 중소규모 서버에서의 기상 연구의 효율성을 위한 Low-GloSea6 소프트웨어를 분석하여 가장 많은 CPU Time을 점유하는 대기 모델의 tri_sor.F90 모듈의 tri_sor_dp_dp 서브루틴을 Hotspot으로 검출하였다. 해당 함수에 머신러닝의 한 종류인 선형 회귀 모델을 적용하여 해당 기법의 가능성을 확인한다. 이상치 데이터를 제거 후 선형 회귀 모델을 학습한 결과 RMSE는 2.7665e-08, MAE는 1.4958e-08으로 Lasso 회귀, ElasticNet 회귀보다 더욱 좋은 성능을 보였다. 이는 Low-GloSea6 수행 과정 중 Hotspot으로 검출된 tri_sor.F90 모듈에 머신러닝 기법 적용 가능성을 확인하였다.

Abstract ▼ AI-Helper

As supercomputing and hardware technology advances, climate prediction models are improving. The Korean Meteorological Administration adopted GloSea5 from the UK Met Office and now operates an updated GloSea6 tailored to Korean weather. Universities and research institutions use Low-GloSea6 on small...

As supercomputing and hardware technology advances, climate prediction models are improving. The Korean Meteorological Administration adopted GloSea5 from the UK Met Office and now operates an updated GloSea6 tailored to Korean weather. Universities and research institutions use Low-GloSea6 on smaller servers, improving accessibility and research efficiency. In this paper, profiling Low-GloSea6 on smaller servers identified the tri_sor_dp_dp subroutine in the tri_sor.F90 atmospheric model as a CPU-intensive hotspot. Applying linear regression, a type of machine learning, to this function showed promise. After removing outliers, the linear regression model achieved an RMSE of 2.7665e-08 and an MAE of 1.4958e-08, outperforming Lasso and ElasticNet regression methods. This suggests the potential for machine learning in optimizing identified hotspots during Low-GloSea6 execution.

주제어

표/그림 (9)

표 표 1. GloSea6 모델 Table 1. Model of GloSea6
그림 그림 1. GloSea6 결합 모델 Fig. 1. Copuled Model of GloSea6
그림 그림 2. Low-GloSea6 분석 Fig. 2. Low-GloSea6 Profiling
그림 그림 3. tri_sor.F90 플로우 차트 Fig. 3. tri_sor.F90 Flowchart
표 표 2. 프로파일링에 수행된 시스템 스펙 Table 2. System specs used for profiling
표 표 3. 실험에 수행된 시스템 스펙 Table 3. System specs used by test
그림 그림 4. Px 예측값 Fig. 4. Px prediction value
그림 그림 5. 각 모델별 RMSE Fig. 5. RMSE for each Model
그림 그림 6. 각 모델별 MAE Fig. 6. MAE for each Model

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 tri_sor_dp_dp 함수에서 사용되는 데이터와 동일한 feature들을 이용하여 수치적 계산이 아닌 머신러닝 모델 중 하나인 선형 회귀 모델을 적용하여 가능성을 확인하였다.

제안 방법

6, pandas, numpy, scikit-learn, matlibplot을 사용하였다. Lasso 회귀, ElasticNet 회귀, 이상치 데이터를 제거 후 선형 회귀 학습한 모델로 총 3가지 모델을 각각 구성하여 학습 후 성능 평가 및 비교를 진행하였다.
834965e-08 순서로 측정되었다. 따라서 IQR 값으로 이상치 데이터를 검출 하기 위하여 본 논문에서는 가장 우수한 성능을 보이는 IQR값에 1.5배를 하여 생성 된 범위를 벗어나는 데이터를 이상치 데이터로 판단하여 선형 회귀 학습을 진행하였다.
본 논문에서는 GloSea6의 저해상도 결합모델인 Low-GloSea6의 프로파일링을 진행하였으며 해당 프로파일링에서 가장 많은 CPU Time으로 측정된 Hotsopt인 대기(UM) 모델 tri_sor.F90 모듈의 tri_sor_dp_dp 함수를 검출하였다. 해당 모듈은 기존의 수치적 연산을 기반으로 수행되며 본 논문에서는 더욱 빠른 수행 시간을 위한 머신러닝 적용 가능성을 확인하기 위해 선형 회귀, Lasso 회귀, ElasticNet 회귀로 총 3가지 모델을 구성하여 학습 후 평가 및 비교 하였다.
이를 통해 해당 논문에서는 각 대학 및 연구기관에서 원활한 기상 연구 환경을 위해 한국의 기상환경에 최적화 되어있는 Low-GloSea6를 Vtune 프로파일링 툴을 사용하여 분석한다. 프로파일링에서 검출된 Hotspot인 tri_sor.
F90 모듈의 tri_sor_dp_dp 함수를 검출하였다. 해당 모듈은 기존의 수치적 연산을 기반으로 수행되며 본 논문에서는 더욱 빠른 수행 시간을 위한 머신러닝 적용 가능성을 확인하기 위해 선형 회귀, Lasso 회귀, ElasticNet 회귀로 총 3가지 모델을 구성하여 학습 후 평가 및 비교 하였다. 그 결과 기존 수치적 연산과 비교하였을 때 이상치 데이터를 제거 후 선형 회귀 모델에 학습하였을 때 RMSE가 2.

데이터처리

기존의 함수 호출에 적용하기 용이하도록 함수 호출 1회 데이터를 기준으로 예측 후 평가 및 비교를 진행하였다.

이론/모형

본 논문에서 머신러닝 수행에 사용된 시스템 스펙은 표 3과 같다. 머신러닝 학습 및 데이터 분석에 사용된 라이브러리로 python3.6, pandas, numpy, scikit-learn, matlibplot을 사용하였다. Lasso 회귀, ElasticNet 회귀, 이상치 데이터를 제거 후 선형 회귀 학습한 모델로 총 3가지 모델을 각각 구성하여 학습 후 성능 평가 및 비교를 진행하였다.
본 논문에서는 IQR(Inter Quantile Range) 방식 이상치 데이터 제거를 진행 한 다음, 기본적인 선형 회귀 모델에 학습하였다. IQR이란 전체 데이터들을 오름차순으로 정렬한 뒤, 정렬된 데이터를 사분위로 나누어 75%의 지점과 25%의 지검의 값의 차이를 뜻한다.
데이터를 학습 할 때 선형 함수로 나타내기 위해서는 실제 데이터를 사용하여 반복적인 계산을 시도한다. 이때 손실을 기준으로 경사하강법을 사용하여 계산한다. 경사하강법은 임의의 파라미터를 지정한 다음 조금씩 변화 시켜가며 실제 값과의 손실을 점차 줄여나가며 최적의 파라미터를 탐색하는 방식이다.
이를 통해 해당 논문에서는 각 대학 및 연구기관에서 원활한 기상 연구 환경을 위해 한국의 기상환경에 최적화 되어있는 Low-GloSea6를 Vtune 프로파일링 툴을 사용하여 분석한다. 프로파일링에서 검출된 Hotspot인 tri_sor.F90 모듈을 머신 러닝의 한 종류인 선형 회귀(Linear Regression) 모델을 사용하여 데이터 기반 학습을 진행 한다. 해당 모델에 선형 회귀모델을 적용 함으로써 Low-GloSea6 수행 시간 단축을 위한 머신 러닝 적용 방안의 가능성을 확인한다.

성능/효과

해당 모듈은 기존의 수치적 연산을 기반으로 수행되며 본 논문에서는 더욱 빠른 수행 시간을 위한 머신러닝 적용 가능성을 확인하기 위해 선형 회귀, Lasso 회귀, ElasticNet 회귀로 총 3가지 모델을 구성하여 학습 후 평가 및 비교 하였다. 그 결과 기존 수치적 연산과 비교하였을 때 이상치 데이터를 제거 후 선형 회귀 모델에 학습하였을 때 RMSE가 2.7665e-08, MAE가 1.4958e-08로 다른 모델보다 가장 좋은 성능을 나타내는 것을 보여주고 있다. 따라서 본 논문을 통하여 Low-GloSea6 과정 중 CPU Time이 가장 오래 소요하는 tri_sor.
4958e-08로 다른 모델보다 가장 좋은 성능을 나타내는 것을 보여주고 있다. 따라서 본 논문을 통하여 Low-GloSea6 과정 중 CPU Time이 가장 오래 소요하는 tri_sor.F90 모듈을 검출하였고 해당 모듈에 대한 머신러닝의 적용 가능성을 확인하였다.
F90 모듈을 머신 러닝의 한 종류인 선형 회귀(Linear Regression) 모델을 사용하여 데이터 기반 학습을 진행 한다. 해당 모델에 선형 회귀모델을 적용 함으로써 Low-GloSea6 수행 시간 단축을 위한 머신 러닝 적용 방안의 가능성을 확인한다.

후속연구

Low-GloSea6는 GloSea6의 사용량이 증가하여 슈퍼컴퓨터의 부하가 증가함에 따라 성능이 저하되는 문제를 막기 위해 격자의 해상도를 고해상도에서 저해상도로 변환한 저해상도 결합모델이다. Low-GloSea6를 통해 기존의 슈퍼컴퓨터에서만 진행되어온 기상예보 모델 연구 및 개발을 각 연구기관, 기업 및 대학에서 연구 및 활용이 가능하다. 이를 통해 중소규모 서버를 기반으로한 실험 환경에서도 수월하게 개발 및 연구가 이루어 질 수 있다.

참고문헌 (13)

P. Bauer, A. Thorpe, G. Brunet, "The quiet？revolution of numerical weather prediction",？Nature, vol. 525, pp. 47-55, 2015.
D. W. Pierce, T. P. Barnett, B. D. Santer, P.？J. Glecker, "Selecting global climate models？for reginal climate change studies", National？Acad Sciences, vol. 106, no. 21, pp.？8441-8446, 2009
KMA - Exchange of Memorandum of Underst？anding between the National Center for Atm？ospheric Research and Korea Meteorological？Administration, [online] https://www.kma.go.kr/kma/news/press.jsp
H. Kim, J. Lee, Y. Hyun, S. Hwang, "The？KMA Global Seasonal Forecasting System？(GloSea6) - Part 1: Operational System and？Improvements", Korean Meteorological？Society, vol. 31, no. 3, pp. 341-359, 2021.
L. Chen, F. Du, Y. Hu, Z. Wang, F. Wang,？"SwinRDM: Integrate SwinRNN with？Diffusion Model towards High-Resolution？and High-Quality Weather Forecasting", The？Thirty-Seventh AAAI Conference on Artificial？Inteligence, vol. 37, no. 36, pp. 322-330,？2023.
N. Wood, A. Staniforth, A. White, T. Allen,？M. Diamantakis, M. Gross, T. Melvin, C.？Smith, S. Vosper, M. Zerroukat, J. Thuburn,？"An inherently mass-conserving semi-implicit？semi-Lagrangian discretization of the deep- atmosphere global non-hydrostatic？equations", Quarterly Journal of the Royal？Meteorological Society, vol. 140 no. 682,？pp. 1505-1520, 2014.

상세보기
I. A. Boutle, S. J. Abel, P. G. Hill, C. J.？Morcrette, "Spatial variability of liquid cloud？and rain: Observations and microphysical？effects", Quarterly Journal of the Royal？Meteorological Society, vol. 140 no. 679,？pp. 583-594, 2014.
K. Mogensen, M. A. Balmaseda, A. T.？Weaver, M. Martin, A. Vidard, "NEMOVAR:？A variational data assimilation system for？the NEMO ocean model", ECMWF？newsletter, vol. 120, pp. 17-22, 2019.
J. K. Ridley, E. W. Blockley, A. B. Keen, J.？G. Rae, A. E. West, D. Schroeder, "The sea ice model component of HadGEM3-GC3.？1.", Geoscientific Model Development, vol.？11, no. 2, pp. 713-723, 2018.

상세보기
S. Yukimoto, Y. Adachi, M. Hosaka, T.？Sakami H. Yoshimura, M. Hirabara, T. Y.？Tanaka, E. Shindo, H. Tsujino, M. Deushi,？R. Mizuta, S. Yabu, A. Obata, H. Nakano, T.？Koshiro, T. Ose, A. Kitoh, "A New Global？Climate Model of the Metorological？Research Institute: MRI-CGCM3-Model？Description and Basic Performance-",？Meteorological Society of Japan, vol. 90, pp.？23-64, 2012.
VTune-profiler [online] https://www.intel.com/content/www/us/en/developer/tools/oneapi/vtune-profiler.html#gs.5xzf5j
Su, X., Yan, X. and Tsai, C.L., "Linear？regression", Wiley Interdisciplinary Reviews:？Computational Statistics, vol. 4, No.3？pp.275-294, 2012.
R. Shen, B. Zhangd, "The research of regression model in machine learning field",？MATEC web of Conferences, vol. 176, no. 3,？pp. 01033, 2018.

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

Low-GloSea6 기상 예측 소프트웨어의 머신러닝 기법 적용 연구
A Study of the Application of Machine Learning Methods in the Low-GloSea6 Weather Prediction Solution 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Low-GloSea6 기상 예측 소프트웨어의 머신러닝 기법 적용 연구 A Study of the Application of Machine Learning Methods in the Low-GloSea6 Weather Prediction Solution 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

정성욱 (15)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Low-GloSea6 기상 예측 소프트웨어의 머신러닝 기법 적용 연구
A Study of the Application of Machine Learning Methods in the Low-GloSea6 Weather Prediction Solution 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper