์ํธ์ฒ
(Hocheol Seo)
1iD
๊นํฌ์ฒ
(Heechul Kim)
2
์ต์์ฐ
(Suyeon Choi)
3iD
๊น์ฐ์ฃผ
(Yeonjoo Kim)
4โ iD
-
์ ํ์ ๐ ์ฐ์ธ๋ํ๊ต ๊ฑด์คํ๊ฒฝ๊ณตํ๊ณผ ๋ฐ์ฌํ ์ฐ๊ตฌ์, ๊ณตํ๋ฐ์ฌ
(Yonsei University ๐ tjghcjf1@gmail.com)
-
์ ํ์ ๐ ์ฐ์ธ๋ํ๊ต ๊ฑด์คํ๊ฒฝ๊ณตํ๊ณผ ์์ฌ๊ณผ์
(Yonsei University ๐ chul8456@yonsei.ac.kr)
-
์ฐ์ธ๋ํ๊ต ๊ฑด์คํ๊ฒฝ๊ณตํ๊ณผ ๋ฐ์ฌํ ์ฐ๊ตฌ์, ๊ณตํ๋ฐ์ฌ
(Yonsei University ๐ suyeonc@yonsei.ac.kr)
-
์ ํ์ ๐ ๊ต์ ์ ์ ๐ ์ฐ์ธ๋ํ๊ต ๊ฑด์คํ๊ฒฝ๊ณตํ๊ณผ ๊ต์, ๊ณตํ๋ฐ์ฌ
(Corresponding Author โค Yonsei University ๐ yeonjoo.kim@yonsei.ac.kr)
Copyright ยฉ 2021 by the Korean Society of Civil Engineers
ํค์๋
ConvLSTM, pySTEPS, ๊ฐ์ฐ ์์ธก, ๋ ์ด๋
Key words
ConvLSTM, PySTEPS, Rainfall prediction, Radar
1. ์ ๋ก
์ต๊ทผ ๊ธฐํ ๋ณํ์ ์ง๊ตฌ ์จ๋ํ๋ก ์ธํด ๊ฐ์ฐ ํจํด์ด ๋ณํํ๊ณ , ๊ทน๋จ์ ์ธ ๊ธฐ์ ํ์์ด ๋น๋ฒํ๊ฒ ๋ฐ์ํ๊ณ ์๋ค. ์ด๋ฌํ ๋ณํ๋ ๋์ ํ์, ์์์ ๊ด๋ฆฌ,
๋ ์ด์ ๋ฑ ์ฌ๋ฌ ๋ถ์ผ์ ์ฌ๊ฐํ ์ํฅ์ ๋ฏธ์น๊ณ ์์ผ๋ฉฐ, ์ด์ ๋ฐ๋ฅธ ํผํด๋ฅผ ์ต์ํํ๊ธฐ ์ํด ์ ํํ ๋จ๊ธฐ ๊ฐ์ฐ ์์ธก ๊ธฐ์ ์ ์ค์์ฑ์ด ๋์ฑ ๋ถ๊ฐ๋๊ณ ์๋ค(Choi and Kim, 2022; Foresti et al., 2016; Giannone et al., 2008). ๋จ๊ธฐ ๊ฐ์ฐ ์์ธก์ ์ ์๊ฐ ๋ด์ ๋ฐ์ํ ๊ฐ์ฐ๋์ ์์ธกํ๋ ๊ธฐ์ ๋ก, ์ฌ๋ ์๋ฐฉ, ์ค์๊ฐ ํ์ ๋์, ์์์ ๊ด๋ฆฌ ๋ฐ ์ด์ ์ต์ ํ ๋ฑ์ ํ์์ ์ธ ์ญํ ์
ํ๋ค(Carpenter and Georgakakos, 2004; Heuvelink et al., 2020).
๊ธฐ์กด์ ๋ ์ด๋ ๊ธฐ๋ฐ ๊ฐ์ฐ ์์ธก ๋ชจ๋ธ์ ์ค์๊ฐ ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ์ฌ ๊ฐ์ฐ ํจํด์ ์์ธกํ๋ ๋ฐ ์ ์ฉํ๋, ๋ณต์กํ ๊ธฐ์ ์กฐ๊ฑด์ด๋ ๋น์ ํ์ ์ธ ๊ฐ์ฐ ํจํด์ ๋ํด์๋
์์ธก ์ ํ๋์ ํ๊ณ๊ฐ ์กด์ฌํ๋ค(Smith et al., 2024). ์ด๋ฌํ ํ๊ณ๋ฅผ ๋ณด์ํ๊ณ ์ Python framework for Short-Term Ensemble Prediction Systems(pySTEPS)์
Convolutional Long Short-Term Memory(ConvLSTM) ๊ธฐ๋ฐ์ ์ธ๊ณต์ง๋ฅ ๋ชจํ์ ํฌํจํ ๋ค์ํ ์์ธก ์ฐ๊ตฌ๊ฐ ํ๋ฐํ ์ํ๋๊ณ
์๋ค.
pySTEPS๋ ํต๊ณ์ ๊ธฐ๋ฒ๊ณผ ๊ดํ ํ๋ฆ ๊ธฐ๋ฐ์ ์๊ณ ๋ฆฌ์ฆ์ ํ์ฉํ์ฌ ๊ฐ์ฐ ์์ธก์ ์ํํ๋ ๋ชจ๋ธ๋ก, ์๋์ ์ผ๋ก ๋์ ๊ณ์ฐ ํจ์จ์ฑ๊ณผ ์์ ์ฑ์ ์ ๊ณตํ๋ค(Pulkkinen et al., 2019). Smith et al.(2024)์ pySTEPS๋ฅผ ํ์ฉํ์ฌ ํด์ ๋๋ฅ์์ ๋ฐ์ํ๋ ๊ฐํ ๋๋ฅ์ฑ ํญํ ์์ธก ์ฐ๊ตฌ๋ฅผ ์ํํ์๋ค. ๋ณธ ์ฐ๊ตฌ์์ pySTEPS์ ๊ดํ ํ๋ฆ ์๊ณ ๋ฆฌ์ฆ์ ์์ฑ
์์์ ๊ธฐ๋ฐ์ผ๋ก ๊ตฌ๋ฆ์ ์ด๋์ ์ถ์ ํ๊ณ ๋ฏธ๋ ๊ฒฝ๋ก๋ฅผ ์์ธกํ๋ ๋ฐ ํจ๊ณผ์ ์ธ ๊ฒ์ผ๋ก ๋ํ๋ฌ์ผ๋ฉฐ, ๊ฒฐ์ ๋ก ์ ๊ธฐ๋ฒ์ ์ฝ 4์๊ฐ ๋ฆฌ๋ํ์์์ ์ง์์ฑ ์๋ณด๋ณด๋ค
์ฐ์ํ ์ฑ๋ฅ์ ๋ณด์๋ค. ๋ํ ํ๋ฅ ๋ก ์ ์์ธก ๋ฐฉ๋ฒ์ ์๊ท๋ชจ ๋๋ฅ์ ์ง์์๊ฐ์ ๋ํ ๋ถํ์ค์ฑ์ ์ค์ด๋ ๋ฐ ๊ธฐ์ฌํ์๊ณ , 60 km ์ดํ์ ๊ณต๊ฐ ํด์๋์์
๋์ ์์ธก ์ ํ๋๋ฅผ ๊ธฐ๋กํ์๋ค.
ConvLSTM์ ์๊ณต๊ฐ์ ์์กด์ฑ์ ๋์์ ํ์ตํ์ฌ ๋ณต์กํ ๊ฐ์ฐ ํจํด์ ํจ๊ณผ์ ์ผ๋ก ์ฒ๋ฆฌํ ์ ์๋ ๋ฅ๋ฌ๋ ๊ธฐ๋ฐ ์์ธก ๋ชจํ์ด๋ค (Shi et al., 2015). Kim et al.(2017)์ ConvLSTM์ ํ์ฉํ ๊ฐ์ฐ ์์ธก ๋ชจ๋ธ์ธ DeepRain์ ์ ์ํ์์ผ๋ฉฐ, 3์ฐจ์ ๊ธฐ์ ๋ ์ด๋ ๋ฐ์ดํฐ๋ฅผ ์
๋ ฅ์ผ๋ก ๋ฐ์ ์๊ณ์ด ๊ฐ์ฐ๋์ ์์ธกํ๋
๋ฐฉ์์ ์ ์ฉํ์๋ค. ์ด ์ฐ๊ตฌ์์๋ 2๋
๊ฐ์ ๋ ์ด๋ ๋ฐ์ฌ์จ ์๋ฃ๋ฅผ ํ์ฉํ์ฌ ์คํ์ ์ํํ์๊ณ , 6๋ถ ๊ฐ๊ฒฉ์ผ๋ก ๊ตฌ์ฑ๋ ์๊ณ์ด ๋ฐ์ดํฐ๋ฅผ ์
๋ ฅํ์ฌ ๊ฐ์ฐ๋์
์์ธกํ์๋ค. ์คํ ๊ฒฐ๊ณผ, 2์ธต ๊ตฌ์กฐ์ ConvLSTM ๋ชจ๋ธ์ ์ ํ ํ๊ท ๋ชจ๋ธ ๋๋น RMSE๋ฅผ ์ฝ 23 % ๊ฐ์์ํค๋ฉฐ, ConvLSTM ๊ธฐ๋ฐ ์ ๊ทผ๋ฒ์
์ฐ์์ฑ์ ์
์ฆํ์๋ค.
๋ณธ ์ฐ๊ตฌ์์๋ ๋์ผํ ์๋๋ ์ ์ญ์ ๋์์ผ๋ก ๋ ์ด๋ ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ(128 kmร128 km, 256 kmร256 km, 384 kmร 384 km)์
๋ฐ๋ฅธ ConvLSTM๊ณผ pySTEPS์ ๊ฐ์ฐ ์์ธก ์ฑ๋ฅ์ ๋น๊ตยท๋ถ์ํ์๋ค. 2014๋
๋ถํฐ 2017๋
๊น์ง์ ๋ ์ด๋ ๋ฐ์ดํฐ๋ฅผ ํ์ต์ฉ ์๋ฃ๋ก ์ฌ์ฉํ๊ณ ,
2018๋
๋ฐ์ดํฐ๋ฅผ ๊ฒ์ฆ์ฉ์ผ๋ก ํ์ฉํ์ฌ, ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฐ๋ฅธ ๋ ๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ ๋ณํ๋ฅผ ๋ถ์ํ์๋ค.
2. ์ฐ๊ตฌ ๋ฐฉ๋ฒ
2.1 ์ฐ๊ตฌ ์ง์ญ ๋ฐ ์
๋ ฅ์๋ฃ
๋ณธ ์ฐ๊ตฌ์์๋ ๋ ์ด๋ ๊ฐ์ฐ ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ์ฌ ์๋๋ ์ ์ญ์ ๊ฐ์ฐ๋ฅผ ์ธก์ ํ๊ธฐ ์ํด, ์๋๋ ์ง์ญ์ ์ค์ฌ ์ขํ(128.77E, 36.85N)๋ฅผ ๊ธฐ์ค์ผ๋ก
128 kmร128 km์ ์์ญ์ ์ฐ๊ตฌ ์ง์ญ์ผ๋ก ์ค์ ํ์๋ค(Fig. 1). ๋ณธ ์ฐ๊ตฌ์์๋ ์ฌ์ฉํ ์
๋ ฅ์๋ฃ๋ ๊ธฐ์์ฒญ์์ ์ ๊ณตํ๋ 1.5 km CAPPI ๋ ์ด๋ ๋ฐ์ฌ๋ ๋ฐ์ดํฐ๋ฅผ ๋ชจ๋ธ ํ์ต ๋ฐ ํ๊ฐ์ ํ์ฉํ์๋ค. ํด๋น ๋ฐ์ดํฐ๋
๋ํ๋ฏผ๊ตญ ์ ์ญ์ 11๊ฐ ๋ ์ด๋ ๊ด์ธก์์์ ์์ง๋ ํ์ง ๊ด๋ฆฌ๋ ํฉ์ฑ ๋ ์ด๋ ๋ฐ์ฌ๋(dBZ)๋ก ๊ณต๊ฐ ํด์๋ 1 km, ์๊ฐ ํด์๋ 10๋ถ, 960ร1200
ํฝ์
์ ํด์๋๋ฅผ ๊ฐ์ง๋ค.
๊ฐ์ฐ๋์ ์ฐ์ถํ๊ธฐ ์ํด ๋ ์ด๋ ๋ฐ์ฌ๋(dBZ)๋ Marshall- Palmer(1948)์ Z-R ๊ด๊ณ์(Eq. 1)์ ํ์ฉํ์ฌ ๊ฐ์ฐ๊ฐ๋(mm/hr)๋ก ๋ณํ๋์๋ค.
์ฌ๊ธฐ์ $Z$๋ ๋ ์ด๋ ๋ฐ์ฌ๋($mm^{6}/m^{3}$)๋ฅผ $R$์ ๊ฐ์ฐ๊ฐ๋($mm/hr$)๋ฅผ ์๋ฏธํ๋ค.
๋ณธ ์ฐ๊ตฌ์์๋ ์๋๋ ์ ์ญ์ ์ค์ฌ์ผ๋ก 128ร128 km, 256ร 256 km, 384ร384 km ํฌ๊ธฐ์ ๋ ์ด๋ ๊ฐ์ฐ ์ถ์ถํ์ฌ 128ร128,
256ร256, 384ร384 ํฌ๊ธฐ๋ฅผ ๊ฐ๋ ๊ฐ์ฐ ์๋ฃ๋ฅผ ์์ฑํ์๋ค(Fig. 1). ์์ฑ๋ ๊ฐ์ฐ ์๋ฃ๋ ๋์ผํ ํฌ๊ธฐ์ธ 128ร128 km์ ์๋๋ ์ ์ญ์ ๋ํด ๊ฐ์ฐ ์์ธก ๋ชจ๋ธ์ ํ๋ จํ์๋ค. ๋ํ, ๋ณธ ์ฐ๊ตฌ์์๋ ๋ชจ๋ธ๋ค์ ์ค์๊ฐ
๊ฐ์ฐ ์์ธก ์ฑ๋ฅ์ ํ๊ฐํ๊ธฐ ์ํ์ฌ 10๋ถ์์ 90๋ถ์ ๋ฆฌ๋ ํ์(lead time)์ ์ค์ ํ์๋ค. ๋ชจ๋ธ ํ์ต์๋ 2014๋
๋ถํฐ 2017๋
๊น์ง์ ๋ ์ด๋
๋ฐ์ดํฐ๋ฅผ ํ๋ จ ๋ฐ์ดํฐ๋ก ํ์ฉํ์์ผ๋ฉฐ, 2018๋
์ฌ๋ฆ์ฒ (6์~8์) ๋ฐ์ดํฐ๋ฅผ ํ
์คํธ ๋ฐ์ดํฐ๋ก ์ฌ์ฉํ์๋ค. ํนํ, ์ฌ๋ฆ์ฒ ์ ๊ฐ์ฐ๊ฐ๋๊ฐ ๋์ ๋ค์ํ ๊ธฐ์
์กฐ๊ฑด์ ๋ฐ์ํ ๊ฒฌ๊ณ ํ ๋ชจ๋ธ ํ์ต๊ณผ ๋
๋ฆฝ์ ์ธ ํ๊ฐ๋ฅผ ์ํํ๊ธฐ์ ์ ํฉํ ์๊ธฐ๋ก ํ๋จ๋์๋ค.
Fig. 1. Target Domain (the Andong Dam Basin) and Domain of Input Training Data
2.2 ConvLSTM
ConvLSTM์ ํฉ์ฑ๊ณฑ ์ฐ์ฐ๊ณผ LSTM(Long Short-Term Memory) ๊ตฌ์กฐ๋ฅผ ๊ฒฐํฉํ ๋ฅ๋ฌ๋ ๋ชจ๋ธ๋ก, ์๊ฐ์ ๋ฐ์ดํฐ์ ๊ณต๊ฐ์ ๋ฐ์ดํฐ๋ฅผ
๋์์ ์ฒ๋ฆฌํ ์ ์๋ ๊ฐ์ ์ ์ง๋๋ค. ์ด๋ฌํ ํน์ฑ์ ๋น๋์ค ํ๋ ์, ์์ฑ ์ด๋ฏธ์ง, ๊ธฐ์ ๋ ์ด๋ ๋ฐ์ดํฐ ๋ฑ ์๊ณต๊ฐ ์์กด์ฑ์ด ๋์ ๋ฐ์ดํฐ๋ฅผ ๋ถ์ํ๋
๋ฐ ํนํ ์ ํฉํ๋ฉฐ, ๊ฐ์ฐ ์์ธก ๋ถ์ผ์์๋ ํจ๊ณผ์ ์ผ๋ก ํ์ฉ๋๊ณ ์๋ค(Shi et al., 2015). ๊ธฐ์กด LSTM์ด 1์ฐจ์ ์๊ณ์ด ๋ฐ์ดํฐ ์ฒ๋ฆฌ์ ์ต์ ํ๋ ๋ฐ๋ฉด, ConvLSTM์ ํฉ์ฑ๊ณฑ ์ฐ์ฐ์ ํตํด 2์ฐจ์ ๊ณต๊ฐ ๋ฐ์ดํฐ๋ฅผ ํ์ตํ ์ ์์ด ๋ณต์กํ
์งํ์ ํน์ฑ์ ๋ฐ์ํ์ฌ ๊ฐ์ฐ ์์ธก ์ ํ๋๋ฅผ ๋์ด๋ ๋ฐ ์ ๋ฆฌํ๋ค.
๋ณธ ์ฐ๊ตฌ์์ ๊ตฌํ๋ ConvLSTM ๋ชจ๋ธ์ ๋ ์ด๋ ๋ฐ์ฌ๋ ์ด๋ฏธ์ง ์ํ์ค์ ์๊ฐ์ ๋ณํ๋ฅผ ์ถ์ ํ๊ณ ๊ณต๊ฐ์ ํน์ง์ ๋์์ ํ์ตํ๋๋ก ์ค๊ณ๋์๋ค. ๋ชจ๋ธ์
๋ค์ค ConvLSTM2D ๋ ์ด์ด๋ก ๊ตฌ์ฑ๋๋ฉฐ, ๊ฐ ๋ ์ด์ด๋ 64๊ฐ์ ํํฐ์ 3ร3 ์ปค๋์ ์ฌ์ฉํ๋ค. ์
๋ ฅ ํฌ๊ธฐ๋ฅผ ์ ์งํ๊ธฐ ์ํด โSameโ ํจ๋ฉ์ ์ ์ฉํ์๊ณ ,
์์ ์ ์ธ ํ์ต ์๋ ด์ ์ํด โHeNormalโ ์ด๊ธฐํ ๋ฐฉ๋ฒ์ ๋์
ํ์๋ค.
๊ฐ ConvLSTM2D ๋ ์ด์ด ๋ค์๋ ๋ ์ด์ด ์ ๊ทํ(Layer Normalization)๋ฅผ ์ ์ฉํ์ฌ ํ์ต ์์ ์ฑ์ ๊ฐํํ๊ณ , ๋ด๋ถ ๊ณต๋ณ๋ ๋ณํ๋ฅผ ์ค์๋ค.
์ด๋ฅผ ํตํด ๋ชจ๋ธ์ ์ผ๋ฐํ ์ฑ๋ฅ๊ณผ ์๋ ด ์๋๋ฅผ ๊ฐ์ ํ์๋ค(Ba et al., 2016). ์ต์ข
์ถ๋ ฅ ๋ ์ด์ด๋ Conv3D ๋ ์ด์ด๋ก ๊ตฌ์ฑ๋๋ฉฐ, (3,
3, 3) ์ปค๋์ ํ์ฉํด ์๊ฐ์ ์ฐจ์์ ๊ฑธ์น ๊ณต๊ฐ์ ํน์ง์ ํตํฉํ์ฌ ๊ฐ์ฐ๋์ ์์ธกํ๋ค. ์ด๋ฌํ ๊ตฌ์กฐ๋ ๋ณต์กํ ๊ธฐ์ ์กฐ๊ฑด์์๋ ๋์ ๊ฐ์ฐ ์ด๋ฒคํธ๋ฅผ ํจ๊ณผ์ ์ผ๋ก
ํฌ์ฐฉํ๋ ๋ฐ ๋งค์ฐ ์ ์ฉํ๋ค.
๋ณธ ์ฐ๊ตฌ์์๋ ConvLSTM ๋ชจ๋ธ ํ์ต์ ์ํด ํ๊ท ์ ๊ณฑ์ค์ฐจ(Mean sqaure error, MSE)๋ฅผ ์์ค ํจ์๋ก ์ฌ์ฉํ์์ผ๋ฉฐ, ์ต์ ํ ๊ธฐ๋ฒ์ผ๋ก
ADAM ์ตํฐ๋ง์ด์ ๋ฅผ ์ ์ฉํ์๋ค. ํ์ต๋ฅ ์ 0.002๋ก ์ค์ ํ์๊ณ , ์ด 400 ์ํญ ๋์ ํ์ต์ ์งํํ์๋ค. ๋ํ, ๊ณผ์ ํฉ์ ๋ฐฉ์งํ๊ธฐ ์ํด ์กฐ๊ธฐ ์ข
๋ฃ(Early
Stopping) ๊ธฐ๋ฒ์ ๋์
ํ์๊ณ , ๋ฐฐ์น ํฌ๊ธฐ๋ 32๋ก ์ค์ ํ์ฌ ๋ฉ๋ชจ๋ฆฌ ํจ์จ์ฑ๊ณผ ๊ณ์ฐ ์๋์ ๊ท ํ์ ์ ์งํ์๋ค.
2.3 pySTEPS
pySTEPS๋ ํ๋ฅ ์ ๊ฐ์๋ ๋จ๊ธฐ(0~6 h) ์์ธก์ ์ํด ์ค๊ณ๋ ์คํ ์์ค ๋ผ์ด๋ธ๋ฌ๋ฆฌ๋ก, ์ฐ๊ตฌ์์ ๊ธฐ์ํ์๊ฐ ๋ ์ด๋ ๊ธฐ๋ฐ ๊ฐ์ ์์ธก์ ์ํํ๋ฉฐ
๋ถํ์ค์ฑ์ ์ ๋ํ ํ ์ ์๋๋ก ์ ์ฐํ๊ณ ํ์ฅ ๊ฐ๋ฅํ ํ๋ ์์ํฌ๋ฅผ ์ ๊ณตํ๋ค(Pulkkinen et al., 2019).
Smith et al.(2024)๋ pySTEPS์ ๊ดํ ํ๋ฆ ์๊ณ ๋ฆฌ์ฆ์ ์์ฑ ๋ฐ์ดํฐ์ ์ ์ฉํ์ฌ ๋๋ฅ์ฑ ๊ฐ์ ์์ธก์ ์ฑ๋ฅ์ ํ๊ฐํ์๋ค. ํนํ, ํด์์ฑ ๋๋ฅ ์ง์ญ์ ๋ณต์กํ ๊ฐ์ ํจํด์
๋ถ์ํ ๊ฒฐ๊ณผ, pySTEPS๊ฐ ์์ฑ ๋ฐ์ดํฐ๋ฅผ ํ์ฉํ ๊ฐ์ ์์ธก์์๋ ํจ๊ณผ์ ์ผ๋ก ์ ์ฉ๋ ๊ฐ๋ฅ์ฑ์ด ์์์ ํ์ธํ์๋ค. ์ด๋ ๋ ์ด๋ ๋ฐ์ดํฐ๊ฐ ๋ถ์กฑํ๊ฑฐ๋
๊ฐ์ฉ์ฑ์ด ์ ํ๋ ์ง์ญ์์๋ pySTEPS๊ฐ ํ์ฉ๋ ์ ์๋ ์ ์ฌ๋ ฅ์ ๋ณด์ฌ์ค๋ค.
pySTEPS์ ํต์ฌ์๋ S-PROG(Spectral Prognosis) ๊ธฐ๋ฒ์ด ์์ผ๋ฉฐ, ์ด๋ ํต๊ณ์ ์์ธก ๊ธฐ๋ฒ์ผ๋ก์ ๋ ์ด๋ ๋ฐ์ดํฐ์ ์๊ฐ์ ๋ณํ๋ฅผ
๋ถ์ํ๊ณ ํฝ์
์ด๋์ ์ถ์ ํ์ฌ ๋ฏธ๋์ ๊ฐ์๋์ ์์ธกํ๋ค. ์๋์ฅ(velocity field)์ ๊ณ์ฐํ๊ธฐ ์ํด PySTEPS๋ ๋ฃจ์นด์ค-์นด๋๋ฐ ๋ฐฉ๋ฒ(Lucas-Kanade
method)์ ํ์ฉํ๋ค. ์ด ๋ฐฉ๋ฒ์ ๊ดํ ํ๋ฆ ๊ธฐ๋ฒ ์ค ํ๋๋ก, ์ฐ์๋ ๋ ์ด๋ ์ด๋ฏธ์ง ๊ฐ์ ์๋ ๋ฒกํฐ๋ฅผ ๊ณ์ฐํ๋ค. ์ด๋ ๊ฒ ์์ฑ๋ ์๋์ฅ์ ์ด๊ธฐ ๊ฐ์
ํจํด๊ณผ ๊ฒฐํฉ๋์ด S-PROG ๊ธฐ๋ฒ์ ํตํด ์๊ฐ ๋จ๊ณ๋ณ๋ก ์ง์์ ์ธ ๊ฐ์ ์์ธก์ ๊ฐ๋ฅํ๊ฒ ํ๋ค.
์ถ๊ฐ์ ์ผ๋ก, pySTEPS๋ ๊ฐ์์ ์๊ณต๊ฐ์ ๋ณํ๋ฅผ ๋ณด๋ค ์ ๋ฐํ๊ฒ ๋ฐ์ํ๊ธฐ ์ํด ๋ค์ํ ํ๋ฅ ๋ก ์ ๋ฐฉ๋ฒ์ ์ ์ฉํ ์ ์๋๋ก ์ค๊ณ๋์๋ค. ์ต๊ทผ ์ฐ๊ตฌ์์๋
์์ฑ ๋ฐ์ดํฐ๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํ ๋๋ฅ์ฑ ๊ฐ์ ์์ธก์ ์ ํ๋๋ฅผ ํ๊ฐํ๋ฉฐ, pySTEPS๊ฐ ๊ฐ์ ์์คํ
์ ์ด๋ ๋ฐ ๋ณํ๋ฅผ ํจ๊ณผ์ ์ผ๋ก ๋ชจ์ฌํ ์ ์์์ ๋ณด์ฌ์ฃผ์๋ค.
2.4 ๋ชจ๋ธ ์ฑ๋ฅํ๊ฐ
๋ณธ ์ฐ๊ตฌ์์๋ ๋ชจ๋ธ๋ค์ ์์ธก ์ฑ๋ฅ์ ํ๊ฐํ๊ธฐ ์ํด ๋ค์ํ ํต๊ณ ์งํ์ ํ๊ฐ ๋ฐฉ๋ฒ์ ์ ์ฉํ์๋ค. ์ฑ๋ฅ ํ๊ฐ๋ ๋ฆฌ๋ ํ์์ 10๋ถ ๊ฐ๊ฒฉ์ผ๋ก ์ค์ ํ์ฌ 10๋ถ๋ถํฐ
90๋ถ๊น์ง์ ์์ธก ๊ฒฐ๊ณผ๋ฅผ ๋ถ์ํ์๋ค. ์ฃผ์ ํ๊ฐ์งํ๋ก๋ ์๊ด๊ณ์(R), RMSE, Nash-Sutcliffe ํจ์จ๊ณ์(Nash-Sutcliffe Efficiency,
NSE), ์๊ณ์ฑ๊ณต์ง์(Critical Success Index, CSI)๊ฐ ์ฌ์ฉ๋์๋ค. ์ด๋ค ์งํ๋ ๊ฐ์ฐ ์์ธก ์ฐ๊ตฌ์์ ๋๋ฆฌ ํ์ฉ๋๋ ์ฑ๋ฅ ํ๊ฐ
๊ธฐ์ค์ผ๋ก, ๋ชจ๋ธ์ ์์ธก ์ ํ๋์ ์ ๋ขฐ๋๋ฅผ ์ ๋์ ์ผ๋ก ๋ถ์ํ๋ ๋ฐ ์ค์ํ ์ญํ ์ ํ๋ค.
์๊ด๊ณ์(R, Eq. 2)๋ ์์ธก๊ฐ๊ณผ ๊ด์ธก๊ฐ ์ฌ์ด์ ์ ํ ์๊ด๊ด๊ณ์ ๊ฐ๋์ ๋ฐฉํฅ์ ํ๊ฐํ๋ ํต๊ณ์ ์งํ์ด๋ค. R ๊ฐ์ด 1์ ๊ฐ๊น์ธ์๋ก ๊ฐํ ์์ ์ ํ ๊ด๊ณ๋ฅผ ๋ํ๋ด๋ฉฐ, ๊ด์ธก๊ฐ์ด
์ฆ๊ฐํ ๋ ์์ธก๊ฐ๋ ๋น๋ก์ ์ผ๋ก ์ฆ๊ฐํจ์ ์๋ฏธํ๋ค.
์ฌ๊ธฐ์, $P_{i}$๋ ์์ธก๊ฐ, $O_{i}$๋ ๊ด์ธก๊ฐ, $\overline{P}$๋ ์์ธก๊ฐ์ ํ๊ท , $\overline{O}$๋ ๊ด์ธก๊ฐ์ ํ๊ท ,
$n$์ ๊ด์ธก๊ฐ์ ์ด ๊ฐ์๋ฅผ ์๋ฏธํ๋ค.
RMSE (Eq. 3)๋ ์์ธก ์ค์ฐจ์ ํฌ๊ธฐ๋ฅผ ์ธก์ ํ๋ ๋ํ์ ์ธ ์ฑ๋ฅ ํ๊ฐ ์งํ๋ก, ์์ธก๊ฐ๊ณผ ์ค์ ๊ด์ธก๊ฐ ์ฌ์ด์ ์ ๊ณฑ ํ๊ท ์ค์ฐจ์ ์ ๊ณฑ๊ทผ์ผ๋ก ๊ณ์ฐ๋๋ค.
NSE (Eq. 4)๋ ๋ชจ๋ธ ์์ธก๊ฐ๊ณผ ๊ด์ธก๊ฐ ๊ฐ์ ์์ฐจ ๋ถ์ฐ์ ๊ด์ธก ๋ฐ์ดํฐ ๋ถ์ฐ๊ณผ ๋น๊ตํ์ฌ ๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ์ ์ ๋์ ์ผ๋ก ํ๊ฐํ๋ ์งํ์ด๋ค. NSE๋ -โ์์ 1 ์ฌ์ด์
๊ฐ์ ๊ฐ์ง๋ฉฐ, 1์ ์๋ฒฝํ ์์ธก ์ฑ๋ฅ์ ์๋ฏธํ๋ค. ๋ฐ๋ฉด, 0 ์ดํ์ ๊ฐ์ ๋ชจ๋ธ์ด ๊ด์ธก๊ฐ์ ํ๊ท ์ผ๋ก ์์ธกํ์ ๋์ ๊ฐ๊ฑฐ๋ ๋ ๋ฎ์ ์ฑ๋ฅ์ ๋ณด์์ ์๋ฏธํ๋ค.
CSI (Eq. 5)๋ ๋ชจ๋ธ์ด ์์ธกํ ์ฌ๊ฑด ์ค ์ค์ ๊ด์ธก๊ณผ ์ผ์นํ ์ฌ๊ฑด์ ๋น์จ์ ํ๊ฐํ๋ ์ฑ๋ฅ ์งํ์ด๋ค. ๋ณธ ์ฐ๊ตฌ์์๋ 0.1 mm/h (CSI 0.1), 1.0 mm/h
(CSI 1.0), 5.0 mm/h (CSI 5.0)์ ์ธ ๊ฐ์ง ๊ฐ์ฐ ๊ฐ๋ ์๊ณ๊ฐ์ ๋ํด CSI๋ฅผ ๊ณ์ฐํ์ฌ ๋ชจ๋ธ ์ฑ๋ฅ์ ์ ๋์ ์ผ๋ก ๋ถ์ํ์๋ค.
์ฌ๊ธฐ์, $H$๋ ์ ํํ ์์ธกํ ์ฌ๊ฑด, $F$๋ ๊ณผ๋์์ธกํ ์ฌ๊ฑด, $M$์ ๋๋ฝ๋ ์ฌ๊ฑด์ ์๋ฏธํ๋ค.
3. ๊ฒฐ ๊ณผ
3.1 ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฐ๋ฅธ ConvLSTM ๋ชจ๋ธ ์ฑ๋ฅํ๊ฐ
Fig. 2๋ ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฐ๋ฅธ ๋ฆฌ๋ํ์๋ณ ConvLSTM ๊ฐ์ฐ ์์ธก ๊ฒฐ๊ณผ๋ฅผ ๋ํ๋ธ๋ค.. ConvLSTM ๋ชจ๋ธ์ ์ฑ๋ฅ์ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฆฌ๋ ํ์์ ๋ฐ๋ผ
๋๋ ทํ ์ฐจ์ด๋ฅผ ๋ณด์๋ค. ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํ ์๋ก ๋จ๊ธฐ ๊ฐ์ฐ ์์ธก ์ฑ๋ฅ์ด ๊ธ๊ฒฉํ ๊ฐ์ํ๋ ๊ฒฝํฅ์ด ํ์ธ๋์๋ค. ํนํ, ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ๊ฐ ๊ฐ์ฅ ์์ 128ร128
ํฌ๊ธฐ์ ์๋ฃ๋ฅผ ์ฌ์ฉํ์ฌ ๋ชจ๋ธ์ ํ์ตํ์ ๋, ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํจ์ ๋ฐ๋ผ ์ฑ๋ฅ์ด ๋ ๊ธ๊ฒฉํ ์ ํ๋์๋ค. ์ด๋ ์์ ๋๋ฉ์ธ ํฌ๊ธฐ๊ฐ ์ ๊ณตํ๋ ๊ณต๊ฐ์ ์ ๋ณด๊ฐ
์ ํ์ ์ด์ด์, ๋ชจ๋ธ์ด ๊ฐ์ ์์คํ
์ ์๊ฐ์ ๋ฐ ๊ณต๊ฐ์ ๋ณํ๋ฅผ ํจ๊ณผ์ ์ผ๋ก ์ถ์ ํ๊ธฐ ์ด๋ ค์์ง๊ธฐ ๋๋ฌธ์ผ๋ก ์ถ์ธก๋๋ค.
128ร128 ํฌ๊ธฐ์ ๊ฐ์ฐ ๋ ์ด๋ ๋ฐ์ดํฐ๋ฅผ ์ด์ฉํ ConvLSTM ๋ชจ๋ธ์ ํ์ต ๊ฒฐ๊ณผ, ๋ฆฌ๋ ํ์ 10๋ถ๊น์ง๋ ๊ฐ์ ํจํด์ ๋น๊ต์ ์ ํฌ์ฐฉํ์๋ค. ๊ทธ๋ฌ๋
๋ฆฌ๋ ํ์์ด 30๋ถ์ ์ด๊ณผํ๋ฉด์ ์์ธก ์ฑ๋ฅ์ด ๊ธ๊ฒฉํ ๋จ์ด์ก์ผ๋ฉฐ, 60๋ถ๊ณผ 80๋ถ ๋ฆฌ๋ ํ์์์๋ ๋๋ถ๋ถ์ ์ง์ญ์์ ๊ฐ์๋์ด ๊ฑฐ์ 0์ ๊ฐ๊น์ด ๊ฐ์ผ๋ก
์์ธก๋์๋ค. ๋ฐ๋ฉด, 256ร256 ํฌ๊ธฐ์ ๋ ์ด๋ ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉํ ๊ฒฝ์ฐ, ๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ์ด ๊ฐ์ ๋์์ผ๋ฉฐ, ํนํ 10๋ถ ๋ฆฌ๋ ํ์์์๋ ๋น๊ต์ ๋ช
ํํ
๊ฐ์ ํจํด์ด ์ ์ง๋์๋ค. ํ์ง๋ง 30๋ถ ๋ฆฌ๋ ํ์์์๋ ์ผ๋ถ ์ ํ๋ ์ ํ๊ฐ ๋ํ๋ฌ๊ณ , 60๋ถ๊ณผ 80๋ถ ๋ฆฌ๋ ํ์์์๋ ์ฑ๋ฅ ์ ํ๊ฐ ์ฌ์ ํ ๋๋๋ฌ์ก์ง๋ง,
128ร128 ๋ฐ์ดํฐ ๋๋ฉ์ธ๋ณด๋ค ๋ ๋์ ์ฑ๋ฅ์ ๋ณด์๋ค.
384ร384 ํฌ๊ธฐ์ ๊ฐ์ฐ ๋ ์ด๋ ์๋ฃ๋ฅผ ์ฌ์ฉํ ๊ฒฝ์ฐ, ์ ์ฒด์ ์ผ๋ก ๊ฐ์ฅ ์ฐ์ํ ์ฑ๋ฅ์ ๋ณด์๋ค. ConvLSTM ๋ชจ๋ธ์ 10๋ถ๊ณผ 30๋ถ ๋ฆฌ๋ ํ์์์
๋น๊ต์ ์ ํํ ๊ฐ์ ๊ตฌ์กฐ๋ฅผ ์ ์งํ์ผ๋ฉฐ, 60๋ถ๊ณผ 80๋ถ ๋ฆฌ๋ ํ์์์๋ ์ผ๋ถ ๊ฐ์ ํจํด์ ์ ์งํ๋ฉด์ ๊ฐ์ฐ ํจํด์ด ํ๋ ค์ง๋ ์์ธก์ ๋ํ๋๋ค.
Fig. 2. Results of Precipitation Predictions with the ConvLSTM Model for Different
Domain Sizes (128ร128, 256ร256, 384ร384) along the Lead Times
3.2 ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฐ๋ฅธ pySTEPS ๋ชจ๋ธ ์ฑ๋ฅํ๊ฐ
Fig. 3์ ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฐ๋ฅธ ๋ฆฌ๋ํ์๋ณ pySTEPS ๊ฐ์ฐ ์์ธก ๊ฒฐ๊ณผ๋ฅผ ๋ํ๋ธ๋ค. pySTEPS ๋ชจ๋ธ๋ ConvLSTM ๋ชจ๋ธ๊ณผ ๋ง์ฐฌ๊ฐ์ง๋ก ์
๋ ฅ๋๋ฉ์ธ์
ํฌ๊ธฐ๊ฐ ์ปค์ง์๋ก ๋ชจ๋ธ์ ์ฑ๋ฅ์ด ๊ฐ์ ๋๋ ๊ฒฝํฅ์ ๋ณด์ธ๋ค(Fig. 3). 128ร128 ํฌ๊ธฐ์ ์
๋ ฅ ๋๋ฉ์ธ์ผ๋ก pySTEPS ๋ชจ๋ธ์ ํ์ตํ ๊ฒฐ๊ณผ, 10๋ถ ๋ฆฌ๋ ํ์์์๋ ๊ฐ์ ํจํด์ ์ผ๋ถ ํฌ์ฐฉํ ์ ์์์ผ๋, ์์ธก
์ ํ๋๋ ์๋์ ์ผ๋ก ๋ฎ์๋ค. ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํจ์ ๋ฐ๋ผ ๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ์ ๊ธ๊ฒฉํ ์ ํ๋์์ผ๋ฉฐ, 30๋ถ ๋ฆฌ๋ ํ์์์๋ ๋๋ถ๋ถ์ ์์ธก ๊ฐ์ ํจํด์ด
๋จ์ํ๋์๊ณ , 60๋ถ ๋ฐ 80๋ถ ๋ฆฌ๋ ํ์์์๋ ์์ธก๋ ๊ฐ์๋์ด ๊ฑฐ์ 0์ ๊ฐ๊น์ด ๊ฐ์ผ๋ก ์๋ ดํ๋ค.
256ร256 ํฌ๊ธฐ์ ๊ฐ์ฐ ๋ฐ์ดํฐ๋ฅผ ์ฌ์ฉํ์ ๋, pySTEPS์ ์ฑ๋ฅ์ด ๊ฐ์ ๋์์ผ๋ฉฐ, 10๋ถ ๋ฆฌ๋ ํ์์์๋ ๊ฐ์ ๊ตฌ์กฐ๊ฐ ๋น๊ต์ ๋ช
ํํ๊ฒ ์ ์ง๋์๋ค.
30๋ถ ๋ฆฌ๋ ํ์์์๋ ์์ธก๋ ๊ฐ์ ํจํด์ ์๋์ ์ผ๋ก ์ ๊ตฌ๋ถ๋์์ง๋ง, 60๋ถ ๋ฆฌ๋ ํ์ ์ดํ์๋ ์ฑ๋ฅ ์ ํ๊ฐ ๋ํ๋ฌ๊ณ , ์์ธก๋ ๊ฐ์๋์ ์ด๊ธฐ ๋ฆฌ๋
ํ์์ ๋นํด ํ์ ํ ์ฝํด์ก๋ค.
ConvLSTM ๋ชจ๋ธ๊ณผ ์ ์ฌํ๊ฒ, pySTEPS ๋ชจ๋ธ๋ 384ร384 ํฌ๊ธฐ์ ์
๋ ฅ ๋๋ฉ์ธ์ ์ฌ์ฉํ์ ๋ ๊ฐ์ฅ ์ฐ์ํ ์ฑ๋ฅ์ ๋ณด์๋ค. 30๋ถ ๋ฆฌ๋ ํ์๊น์ง๋
๊ฐ์ ํจํด์ด ๋น๊ต์ ๋ช
ํํ ์ ์ง๋์์ผ๋ฉฐ, 60๋ถ ๋ฐ 80๋ถ ๋ฆฌ๋ ํ์์์๋ ๋ค๋ฅธ ๋ชจ๋ธ์ ๋นํด ์ฑ๋ฅ์ด ๋ฐ์ด๋ฌ๋ค. ์ฐ๋ฆฌ๋๋ผ ์ฌ๋ฆ์ฒ ๊ฐ์๋์ ์ด๋ ํจํด์
์ฃผ๋ก ๋จ์์ ๋ถ์ผ๋ก ์ด๋ํ๋ ๊ฒฝํฅ์ด ๋ํ๋๋ค. ๋์ผํ ์ง์ญ๊ณผ ์
๋ ฅ ๋๋ฉ์ธ์ ์ฌ์ฉํ ๊ฒฝ์ฐ, ๋ฆฌ๋ ํ์์ด ๊ธธ์ด์ง์๋ก ๋จ์ชฝ ์ง์ญ์ ๊ฐ์๋์ ์์ธกํ์ง ๋ชปํ๋
๊ฒฝํฅ์ด ์์์ง๋ง, ํด๋น ์ ์ญ๋ณด๋ค ๋ ํฐ ์
๋ ฅ ๋๋ฉ์ธ์ผ๋ก ๋ชจ๋ธ์ ํ์ตํ๋ฉด ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํจ์ ๋ฐ๋ผ ๋จ์ชฝ ์ง์ญ ๊ฐ์๋์ ๋ ์ ์์ธกํ๋ ๊ฒฝํฅ์ ๋ณด์๋ค.
Fig. 3. Results of Precipitation Predictions with the pySTEPS Model for Different
Domain Sizes (128ร128, 256ร256, 384ร384) along the Lead Times
3.3 ๊ฐ์ฐ ์์ธก ์ฑ๋ฅ ๋น๊ต ๋ถ์
๋ณธ ์ฐ๊ตฌ์์๋ ConvLSTM๊ณผ pySTEPS ๋ ๋ชจ๋ธ์ ๊ฐ์ฐ ์์ธก ์ฑ๋ฅ์ ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ(128ร128, 256ร256, 384ร384)์ ๋ฆฌ๋
ํ์(10๋ถ, 30๋ถ, 60๋ถ, 90๋ถ)์ ๋ฐ๋ผ ๋น๊ต ๋ถ์ํ์๋ค. ๋๋ฉ์ธ ํฌ๊ธฐ ์ฆ๊ฐ์ ๋ฐ๋ฅธ ์ฑ๋ฅ ๊ฐ์ ๋น์จ์ ์๊ด๊ณ์, RMSE, NSE, CSI(0.1
mm, 1.0 mm, 5.0 mm ๊ฐ์ฐ๊ฐ๋)๋ฅผ ๊ธฐ์ค์ผ๋ก ์ ๋์ ์ผ๋ก ํ๊ฐํ์์ผ๋ฉฐ, Fig. 4์ Table 1์์ ์๊ฐ์ ๋ฐ ์ ๋์ ์ผ๋ก ์ ์ํ์๋ค.
Fig. 4๋ ์๊ด๊ณ์, RMSE, NSE ๊ฒฐ๊ณผ๋ฅผ ํตํด ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ฆฌ๋ ํ์์ ๋ฐ๋ฅธ ๋ ๋ชจ๋ธ์ ์ฑ๋ฅ๋ณํ๋ฅผ ๋ณด์ฌ์ค๋ค. ConvLSTM์ ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํ ์๋ก
์ฑ๋ฅ ์ ํ๊ฐ ๋๋๋ฌ์ก์ผ๋ฉฐ, ํนํ 128ร128 ํฌ๊ธฐ์ ์
๋ ฅ ๋๋ฉ์ธ์ ์ฌ์ฉํ ๊ฒฝ์ฐ ์๊ด๊ณ์๊ฐ ๊ธ๊ฒฉํ ๊ฐ์ํ์๋ค. ๊ทธ๋ฌ๋ 384ร384 ํฌ๊ธฐ์ ์
๋ ฅ ๋๋ฉ์ธ
์๋ฃ๋ฅผ ์ฌ์ฉํ์ ๋๋ ๋์ ์๊ด๊ณ์๋ฅผ ์ ์งํ๋ฉฐ ์๋์ ์ผ๋ก ์์ ์ ์ธ ์ฑ๋ฅ์ ๋ณด์๋ค. ๋ํ, Fig. 4์์๋ CSI ์งํ(0.1 mm, 1.0 mm, 5.0 mm ๊ฐ์ฐ ๊ฐ๋)์ ๋ฐ๋ฅธ ์ฑ๋ฅ ๋ณํ๋ฅผ ๋ณด์ฌ์ค๋ค. ๋ฎ์ ๊ฐ์ฐ ๊ฐ๋(0.1 mm)์์๋ ๋ ๋ชจ๋ธ
๋ชจ๋ ๋์ CSI ๊ฐ์ ๊ธฐ๋กํ์ผ๋, ๊ฐ์ฐ ๊ฐ๋๊ฐ ์ฆ๊ฐํจ์ ๋ฐ๋ผ ์ฑ๋ฅ ์ ํ๊ฐ ๋ํ๋ฌ๋ค. ํนํ ConvLSTM์ ๋์ ๊ฐ์ฐ ๊ฐ๋(5.0 mm ์ด์)์์
์ ํ๋๊ฐ ํฌ๊ฒ ๊ฐ์ํ์ง๋ง, pySTEPS๋ ์๋์ ์ผ๋ก ์์ ์ ์ธ ์ฑ๋ฅ์ ๋ณด์ด๋ฉฐ ๋์ CSI ๊ฐ์ ์ ์งํ์๋ค.
pySTEPS ๋ชจ๋ธ์ ๊ฒฝ์ฐ๋ ConvLSTM๊ณผ ๋ง์ฐฌ๊ฐ์ง๋ก ๋ฆฌ๋ ํ์์ด ์ฆ๊ฐํ ์๋ก ๋ชจ๋ธ์ ์ฑ๋ฅ์ด ์ค์ด๋ค๊ณ ์
๋ ฅ๋๋ฉ์ธ์ ํฌ๊ธฐ๊ฐ ํด์๋ก ๋ชจ๋ธ์ ์ฑ๋ฅ์ด ์ฆ๊ฐํ๋ค.
ํ์ง๋ง ๋ฆฌ๋ ํ์์ด 90๋ถ์ผ ๋, ๋์ฒด๋ก pySTEPS์ ์ฑ๋ฅ์ด ConvLSTM๋ณด๋ค ๋ ์ฐ์ํจ์ ํ์ธํ์๋ค. ์ด๋ ์ฝ 90๋ถ ์ ๋์ ๋จ๊ธฐ ๊ฐ์ฐ ์์ธก์์๋
2๋ฐฐ ๋ ๋์ ์
๋ ฅ ๋๋ฉ์ธ๊ณผ pySTEPS ๋ชจ๋ธ์ ์ฌ์ฉํ์ ๋ ์ฑ๋ฅ์ด ๋ ์ฐ์ํ ์ ์์์ ์์ฌํ๋ค.
Table 1์ ConvLSTM๊ณผ pySTEPS ๋ชจ๋ธ์ 128ร128 ๋๋ฉ์ธ์ ๊ธฐ์ค์ผ๋ก, 256ร256 ๋ฐ 384ร384 ๋๋ฉ์ธ์์์ ์ฑ๋ฅ ๊ฐ์ ๋น์จ์ ์์นํํ
๊ฒฐ๊ณผ๋ฅผ ๋ณด์ฌ์ค๋ค. ConvLSTM์ 384ร384 ๋๋ฉ์ธ์์ ์๊ด๊ณ์ 10.4 %, RMSE 10.1 %, NSE 10.3 %, CSI 0.1์์
์ต๋ 15.2 %์ ๊ฐ์ ํจ๊ณผ๋ฅผ ๊ธฐ๋กํ์๋ค. pySTEPS๋ ์๊ด๊ณ์์์ 10.2 %, RMSE์ NSE์์ ์ต๋ 10.4 %, CSI 5.0์์
ConvLSTM๋ณด๋ค ๋์ 10.3 %์ ๊ฐ์ ํจ๊ณผ๋ฅผ ๋ํ๋๋ค. ์ด๋ฌํ ๊ฒฐ๊ณผ๋ ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ์ฆ๊ฐ๊ฐ ๋ ๋ชจ๋ธ์ ์์ธก ์ฑ๋ฅ์ ๊ธ์ ์ ์ธ ์ํฅ์ ๋ฏธ์น๋ค๋
์ ์ ๋ณด์ฌ์ค๋ค.
Fig. 4. Performance of ConvLSTM and pySTEPS with Different Input Domain Size along
the Lead Times (R, RMSE, NSE, CSI0.1, CSI1.0, and CSI5.0)
Table 1. Improvement of Performance (%) of ConvLSTM and pySTEPS with 256ร256 and 384ร384
Input Domains Compared to that with 128ร128 Input Domain
Model
|
R
|
RMSE
|
NSE
|
CSI 0.1
|
CSI 1.0
|
CSI 5.0
|
ConvLSTM (256ร256)
|
5.2
|
5.3
|
5.1
|
5.5
|
5.4
|
5.0
|
ConvLSTM (384ร384)
|
10.4
|
10.1
|
10.3
|
15.2
|
10.7
|
10.0
|
pySTEPS (256ร256)
|
5.1
|
5.0
|
5.2
|
5.3
|
5.2
|
5.1
|
pySTEPS (384ร384)
|
10.2
|
10.0
|
10.4
|
10.8
|
10.6
|
10.3
|
4. ๊ฒฐ ๋ก
๋ณธ ์ฐ๊ตฌ์์๋ ๋์ผํ ์๋๋ ์ ์ญ์ ๋ํด ์
๋ ฅ ๋๋ฉ์ธ ํฌ๊ธฐ์ ๋ณํ์ ๋ฐ๋ฅธ ConvLSTM๊ณผ pySTEPS ๋ชจ๋ธ์ ์ฑ๋ฅ์ ๋ถ์ํ์๋ค. ๋ ๋ชจ๋ธ ๋ชจ๋
๋๋ฉ์ธ ํฌ๊ธฐ๊ฐ ์ฆ๊ฐํจ์ ๋ฐ๋ผ ์์ธก ์ ํ๋๊ฐ ๊ฐ์ ๋๋ ๊ฒฝํฅ์ ๋ณด์๋ค. ํ์ง๋ง ๋ฆฌ๋ํ์์ด ๊ธธ์ด์ง์ ๋ฐ๋ผ ConvLSTM์ ์์ธก ์ ํ๋๋ pySTEPS๋ณด๋ค
๋น ๋ฅด๊ฒ ๊ฐ์ํ๋ ๊ฒฝํฅ์ ๋ณด์๋ค. ์ด๋ ์ฅ๊ธฐ ์๊ฐ ํ๋ ์์์ ์ ํ๋ ๊ณต๊ฐ ์ ๋ณด๋ฅผ ์ฒ๋ฆฌํ๋ ๋ฐ ์ด๋ ค์์ ๊ฒช๊ฑฐ๋ ๊ณผ์ ํฉ(overfitting) ๋ฌธ์ ๊ฐ ๋ฐ์ํ
๊ฐ๋ฅ์ฑ์ ์์ฌํ๋ค. ๋ฐ๋ฉด, pySTEPS๋ ํต๊ณ ๊ธฐ๋ฐ ๋ชจ๋ธ๋ก, 80๋ถ ์ด์์ ์ฅ๊ธฐ ๋ฆฌ๋ ํ์์์ ๋ ์์ ์ ์ธ ์ฑ๋ฅ์ ๋ณด์ธ๋ค. pySTEPS ๋ชจ๋ธ์
ConvLSTM๋ณด๋ค ์ ๋ฐ์ ์ผ๋ก ๋ ๋์ ์ฑ๋ฅ์ ๋ณด์์ผ๋ฉฐ, ์ด๋ ๋จ๊ธฐ ๊ฐ์ฐ ์์ธก์์ pySTEPS๊ฐ ๋์ฑ ์์ ์ ์์ ์์ฌํ๋ค.
๋จ๊ธฐ ๊ฐ์ฐ ์์ธก์ ์ค์๊ฐ ํธ์ฐ๊ฒฝ๋ณด ๋ฐ ์ฌ๋ ๋์ ์ต์ ํ์ ์ค์ํ ์ญํ ์ ํ๋ฉฐ, ์๋ณด๊ฐ ๋น ๋ฅด๊ณ ์ ํํ ์๋ก ํจ๊ณผ์ ์ธ ๋์์ด ๊ฐ๋ฅํ๋ค. ์ด์ ๋ฐ๋ผ ๊ฐ์ฅ
ํจ์จ์ ์ธ ์๋ณด ๊ฒฝ๋ณด์ ์ ํ ์๊ฐ์ ๋ํ ๋ถ์๊ณผ, ์ด๋ฅผ ๊ธฐ๋ฐ์ผ๋ก ํ ํจ์จ์ ์ธ ์
๋ ฅ ๋๋ฉ์ธ ์ค์ ๋ฐ ๊ฐ์ฐ ์์ธก ๋ชจ๋ธ ๊ฐ๋ฐ์ด ์ค์ํ๋ค. ํฅํ ์ฐ๊ตฌ๋ ๋จ๊ธฐ
๊ฐ์ฐ ์์ธก์ ์ ํ๋๋ฅผ ๋์ด๋ ๊ฒ๋ฟ๋ง ์๋๋ผ, ์ค์๊ฐ ์๋ณด ์์คํ
์์ ๋น ๋ฅด๊ณ ์ ํํ ์์ธก์ ์ ๊ณตํ ์ ์๋๋ก ์
๋ ฅ ๋๋ฉ์ธ ์ต์ ํ์ ๋ชจ๋ธ ๊ฐ์ ์ ์ํ
์ถ๊ฐ์ ์ธ ์ฐ๊ตฌ๊ฐ ์ด๋ฃจ์ด์ ธ์ผ ํ ๊ฒ์ด๋ค.
Acknowledgements
This work was supported by the Korea Environment Industry & Technology Institute
(KEITI) through the R&D Program for Innovative Flood Protection Technologies against
Climate Crisis, funded by the Ministry of Environment (MOE) (No. RS-2023-00218873),
and by the Basic Science Research Program through the National Research Foundation
of Korea, funded by the Ministry of Science, ICT, and Future Planning (No. RS-2024-00456724).
References
"Carpenter, T. M. and Georgakakos, K. P. (2004). โImpacts of parametric and radar
rainfall uncertainty on the ensemble streamflow simulations of a distributed hydrologic
model.โ Journal of Hydrology, Vol. 298, No. 1-4, pp. 202-221, https://doi.org/10.1016/j.jhydrol.2004.03.036."

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

"Foresti, L., Reyniers, M., Seed, A. and Delobbe, L. (2016). โDevelopment and verification
of a real-time stochastic precipitation nowcasting system for urban hydrology in Belgium.โ
Hydrology and Earth System Sciences, Vol. 20, No. 1, pp. 505-527, https://doi.org/10.5194/hess-20-505-2016."

"Giannone, D., Reichlin, L. and Small, D. (2008). โNowcasting: The real-time informational
content of macroeconomic data.โ Journal of Monetary Economics, Vol. 55, No. 4, pp.
665-676, https://doi.org/10.1016/j.jmoneco.2008.05.010."

"Heuvelink, D., Berenguer, M., Brauer, C. C. and Uijlenhoet, R. (2020). โHydrological
application of radar rainfall nowcasting in the Netherlands.โ Environment International,
Vol. 136, p. 105431, https://doi.org/10.1016/j.envint.2019.105431."

"Kim, S., Hong, S., Joh, M. and Song, S. K. (2017). โDeepRain: ConvLSTM network for
precipitation prediction using multichannel radar data.โ arXiv preprint, arXiv:1711.02316,
https://arxiv.org/abs/1711.02316."

"Marshall, J. S. and Palmer, W. M. K. (1948). โThe distribution of raindrops with
size.โ Journal of Atmospheric Sciences, Vol. 5, No. 4, pp. 165-166, https://doi.org/10.1175/1520-0469(1948)005<0165:TDORWS>2.0.CO;2."

"Pulkkinen, S., Nerini, D., Pรฉrez Hortal, A. A., Velasco-Forero, C., Seed, A., Germann,
U. and Foresti, L. (2019). โPysteps: An open-source Python library for probabilistic
precipitation nowcasting (v1.0).โ Geoscientific Model Development, Vol. 12, No. 12,
pp. 4185-4219, https://doi.org/10.5194/gmd-12-4185-2019."

"Shi, X., Chen, Z., Wang, H., Yeung, D. Y., Wong, W. K. and Woo, W. C. (2015). โConvolutional
LSTM network: A machine learning approach for precipitation nowcasting.โ Advances
in Neural Information Processing Systems, Vol. 28, https://arxiv.org/abs/1506.04214."

"Smith, J., Birch, C., Marsham, J., Peatman, S., Bollasina, M. and Pankiewicz, G.
(2024). โEvaluating pySTEPS optical flow algorithms for convection nowcasting over
the Maritime Continent using satellite data.โ Natural Hazards and Earth System Sciences,
Vol. 24, No. 2, pp. 567-582, https://doi.org/10.5194/nhess-24-567-2024."
