물리과정 기반 및 GAN 기반 강수 예측 모델의 예측 성능 평가: 영산강 유역 사례 연구 (Analyzing the predictive power of GAN-based precipitation prediction model against a process-based model: a case study of the Yeongsangang River basin in South Korea)

서지정보

· 발행기관 : 한국수자원학회
· 수록지 정보 : 한국수자원학회 논문집 / 58권 / 1호 / 53 ~ 66페이지
· 저자명 : 최수연, 김연주

초록

고해상도 단기 강우 예측을 생성하기 위해, 주로 레이더 자료 기반 확률론적 방법 또는 물리과정 기반 수치예보모델(Numerical Prediction Models, NWPs)이 사용되어 왔다. 최근 인공지능의 발전으로, 머신러닝을 이용한 레이더 기반 단기 강우 예측 모델 관련 연구가 활발히 진행되고 있으며, 두 시간 이내 단기 예측에서 뛰어난 성능을 보여주고 있다. 하지만 이러한 데이터 기반 모델의 경우, 예측 선행시간 증가에 따라 성능이 크게 저하하며, black-box 모델로, 대기의 물리과정을 고려하지 않는다는 한계점이 존재한다. 본 연구에서는 영산강 유역에 대해 최신 머신러닝 기법(conditional Generative Adversarial Network, cGAN)을 이용한 강우 예측 모델을 개발하여, 최대 여섯 시간 강우 예측 결과를 생성하였으며, 고해상도 수치모의가 가능한 물리과정 기반 대기모형인 Weather Research and Forecasting (WRF)와의 비교를 통해 성능 평가를 진행하였다. 모델 훈련 및 평가를 위해 2014년부터 2018년까지의 영산강 유역 강우 레이더 자료를 사용하였으며, 성능 평가 결과, 세 시간 이내 예측 선행시간에서는 cGAN 기반 강우예측 모델이 WRF 모델에 비해 평균 상관계수 R은 10%, 임계성공지수(Critical success index, CSI, 0.1 mm/hr 임계기준)은 16% 더 좋은 성능을 보였으나, 세 시간 이후로 선행시간이 증가함에 따라 WRF 모델의 예측 성능이 cGAN 기반 모델보다 R은 55%, CSI (0.1 mm/hr 임계기준)에서는 39% 더 뛰어난 것을 확인할 수 있었다. 본 연구를 통해, 머신러닝 기반 모델과 물리과정 기반 모델의 장단점을 고찰하고, 이를 보완할 수 있는 가능성을 제시하였다. 이러한 결과는 강우 예측 성능 개선을 위한 물리과정-인공지능 융합적 접근의 토대를 제공하는데 기여할 것으로 기대된다.

영어초록

Radar-based methods or physics-based Numerical Prediction Models (NWPs) have been used to generate high-resolution short-range rainfall forecasts. With recent advances in artificial intelligence, research on radar-based short-range precipitation nowcasts using machine learning has been actively conducted and has shown promising performance for short-range forecasts within two hours. However, these data-driven models have the limitation of being the black-box models that do not consider atmospheric physical processes, and their performance decreases significantly as the forecast lead time increases. In this study, we developed a precipitation nowcasting model using the conditional Generative Adversarial Network (cGAN) for the Yeongsangang River basin, which generates predictions up to six hours in advance, and evaluated its performance through a comparison with Weather Research and Forecasting (WRF), a physical process-based atmospheric model capable of high-resolution numerical simulations. To train and evaluate the models, we used rainfall radar data from the Yeongsangang River basin from 2014 to 2018. During the three-hour lead time, the cGAN-based rainfall forecast model showed 10% and 16% better performance in the average correlation coefficient R and the critical success index (CSI, at 0.1 mm/hr) than the WRF. However, as the lead time increased after three hours, the WRF model's forecast performance was 55% and 39% better than the cGAN-based model in the R and CSI (at 0.1 mm/hr), respectively. In this study, we explored the strengths and weaknesses of machine learning-based models and physics-based models, suggesting possible opportunities to complement them. It is expected that our results will provide a foundation for a physics-AI integrated approach to enhance rainfall forecast performance.

참고자료

· 없음