인공신경망을 이용한 기상 재분석장 데이터 고해상도화 = Super-resolution of reanalysis data of meteorology by using of Artificial Neural Network

국문 초록 (Abstract)

대기장 분석 및 예측에서 기상 자료의 공간해상도는 매우 중요한 요소이다. 단순 내삽법이 아닌, 신뢰할 수 있는 고해상도 데이터 전처리는 예측 정확도 향상에 필수적이다. 최근 컴퓨터 비전 분야에서 딥러닝을 이용한 이미지·영상 자료의 초해상화 연구가 활발히 진행되고 있으며, 본 연구에서는 이러한 딥러닝 기반 고해상화 기법을 벤치마킹하여 기상 데이터 고도화에 적용했다. ECMWF(유럽중기예보센터)에서 생산한 ERA5 재분석 데이터를 한반도 도메인에 대해 인공지능 모델을 활용해 고해상도화 하며, 모델들은 기상청 방재기상관측망(AWS)자료를 그리드화 한 데이터를 정답으로 학습을 진행한다. 주요 딥러닝 모델로는 SRCNN과 U-net으로, 특히 U-net 기반 모델은 고해상도화 연산을 PixelShuffle 기법을 통해 진행했다. 또한, 주기성 정보를 분리하여 고주기적 특징을 예측하도록 구현한 ResDiff 모델을 이용하여 온도장 예측에 대해 주기성 특징의 영향을 파악한다. 모델 학습 및 검증 지표로는 RMSE와 SSIM과, 관측값과 예측값 간의 선형 회귀 분석을 통해 얻은 회귀선과 결정 계수를 통해 예측 경향성 및 신뢰성을 비교했다. 실험 결과, 세 모델 모두 선형 내삽에 비해 비선형적 공간 패턴을 더 효과적으로 예측했다. 다만, 각 모델은 계절이나 특정 지역에 따라 예측 정확도가 저하되는 문제점이 있었다. 이를 위해 극값과 변동성을 모의할 수 있도록 모델 구조와 손실 함수를 추가하는 등의 방법론적 개선이 필요하다. 추후 우수하다 평가되는 형성형 인공지능 모델을 추가로 개발하고, 여러 모델을 통합하여 앙상블 예측을 수행한다. 또한, 더 다양한 특징을 기반으로 정확한 예측을 수행하도록 각 모델들을 복변수 예측 모델로 수정하고, 보조 변수 또한 입력받아 학습하는 구조로 개선한다.
주요어: 기상 자료 공간해상도, 고해상도화, SRCNN, U-net, ResDiff

다국어 초록 (Multilingual Abstract)

The spatial resolution of meteorological data is a critical factor in atmospheric analysis and prediction. Reliable high-resolution pre-processing beyond simple interpolation is essential for improving prediction accuracy. Recently in the field of computer vision, super-resolution techniques have been actively studied, and in this study such deep-learning-based super-resolusion methods are benchmarked to apply for the refinement of meteorological data. ERA5 reanalysis data produced by the European Centre for Medium-Range Weather Forecasts (ECMWF) were downscaled, and the models conduct learning process by using gridded observation data of Automated Weather System (AWS) as ground-truths, produced by Korea Meteorological Administration. The main machine learning models considered are SRCNN and U-net; in particular, the U-net based model performs super-resolution via a PixelShuffle downscaling operations. In addition, a ResDiff model capable of representing high-frequency features is implemented to compare the influence of high-frequency information on temperature prediction. For validation metrics, RMSE(Root Mean Square Error) and SSIM(Structural Similarity Index Measure) are used. For further evaluation and comparison, linear regression analysis between observations and predictions are conducted, and the regression coefficients and coefficients of determination(R2) are examined to compared accuracy and reliability. Results show that both models predicted nonlinear spatial patterns more effectively than conventional linear interpolation. However, each model exhibited reduced prediction accuracy for certain seasons. To address, methodological improvements are required, such as modifying models to better simulate extremes and augmenting the loss functions. Future work will focus on developing more capable generative AI models, expected to produce superior performance, then integrating models to produce ensembled predictions. Extending the proposed architectures to multivariate prediction of multiple meteorological variables is also scheduled.
keywords: spatial resolution of meteorological data, super-resolution, SRCNN, U-net, ResDiff

목차 (Table of Contents)

• 1. 연구 배경 및 목적 1
• 2. 연구 이론 2
• 가. 기계 학습 및 딥러닝 2
• 1) 기계 학습과 딥러닝 모델 2
• 2) 용어 및 모델 학습 과정 2
• 3) 결정론적 모델과 확률론적 모델 3
• 나. 고해상도화 인공지능 모델 구 및 기법 4
• 1) 합성곱(컨볼루션) 연산 4
• 2) LSTM과 ConvLSTM 4
• 3) 활성화 함수 5
• 4) 고해상도화 연산 6
• 5) 스펙트럼주파수 영역 분석 기법 7
• 다. 고해상도 딥러닝 모델 예시 8
• 1) SRCNN 8
• 2) U-net 9
• 3) ResDiff (Residual Diffusion) 10
• 3. 자료 및 방법론 11
• 가. 자료 11
• 1) 입력 데이터 11
• 2) 정답 데이터 및 전처리 11
• 2) 훈련 및 테스트 세트 설정 12
• 나. 방법론 13
• 1) SRCNN 기반 심층 신경망 13
• 2) U-net & PixelShuffle 14
• 3) ResDiff 15
• 4. 실험 17
• 가. 모델 학습 설정 및 수행 17
• 나. 모델 예측 결과 산출 19
• 5. 결론 및 향후 계획 50
• 가. 결론 및 제언 50
• 나. 향후 계획 51
• 참고문헌 52
• Abstract(영문초록) 55