Torrential rain and inundation are becoming more common because of global warming and extreme weather, leading to an increase in human and property damage. It is critical to improve the performance of the rainfall prediction model in order to minimize damage by identifying as early as possible when a natural disaster may occur. In this study, we propose a model that performs very short-term rainfall prediction based on past observation data and a model that performs short- and medium-term rainfall correction based on future forecast data, respectively, to improve the performance of rainfall prediction. In Study 1, we focused on the performance improvement of the nowcasting model, which predicts very short-term rainfall using radar extrapolation. We improved radar extrapolation performance by extending the architecture of the existing encoding-forecasting model to emphasize the phenomenon of the most recent data. However, the nowcasting method based on spatiotemporal analysis of radar data is limited in that the prediction frame blurs as the time step increases, even though it accurately predicts near future rainfall. Furthermore, there is a limitation in that it does not properly represent the sudden change in rainfall patterns caused by rapid changes in weather conditions. Therefore, Study 1 is a method suitable for very short-term rainfall prediction, and a new method needs to be developed for short- and medium-term rainfall prediction. In Study 2, we proposed a method to improve the accuracy of forecast data by correcting future simulation data produced by a numerical weather prediction (NWP) model close to the ground truth data observed, as a method for predicting short- and medium-term rainfall. The NWP model is the pinnacle of human knowledge about the Earth's atmospheric circulation, currently used for weather forecasting in the practical field, however, room for improvement remains because there are many differences from the actual ground truth. Therefore, Study 2 proposed a deep learning-based correction method that transforms the distribution of the forecast data of the NWP model into the distribution of the ground truth data measured by ground observation equipment such as radar by applying the GAN model, which exhibits excellent performance in data distribution transformation in different domains. Using this method, the quality of the forecast data is improved by correcting the error of the simulation result of the NWP model close to the ground truth. In Future Study, we will develop an integrated rainfall prediction model that combines the extrapolation result of radar data from Study 1 and the correction result of forecast data from Study 2 to produce the final rainfall prediction result. By combining the two results, the final model can respond to rapid changes in future weather conditions while mitigating the spatial smoothing problem. In addition, through the future study, we can improve the rainfall prediction model's performance by combining the accuracy of the prediction data obtained in Study 1 and the stability of the forecast data obtained in Study 2. Overall, this study dealt with rainfall prediction, which is a field of weather forecasting, but it also presents practical guidelines for the design of integrated deep learning models for various weather forecasting fields that fuse past observation data and future forecast data using spatiotemporal prediction modeling.
지구 온난화와 이상 기후로 인해 집중 호우와 침수가 빈번하게 발생하면서 인명 및 재산 피해가 급증하고 있다. 침수와 같은 자연재난의 발생 여부를 가능한 빨리 식별하고 피해를 최소화하기 위해서 강우 예측 모델의 성능을 향상시키는 것이 중요하다. 본 연구에서는 강우 예측의 성능 향상을 위해서 과거 관측 데이터를 기반으로 초단기 강우 예측을 수행하는 모델과, 미래 예보 데이터를 기반으로 단·중기 강우 보정을 수행하는 모델을 각각 제안한다. Study 1에서는 레이더 외삽을 이용하여 강우를 예측하는 나우캐스팅 모델의 성능 향상에 집중한다. 우리는 가장 최신 데이터에 나타나는 기상 현상을 강조하기 위하여 기존의 encoding-forecasting 모델의 아키텍처를 확장하여 레이더 외삽 성능을 향상시킨다. 그러나 레이더 데이터의 시공간 분석에 기반한 나우캐스팅 방법은 비록 가까운 미래 강우를 정확하게 예측하기는 하지만, 타임 스텝이 증가함에 따라 예측 프레임이 흐려지는 한계점이 존재한다. 또한 기상 조건의 급격한 변화에 의해 야기되는 강우 패턴의 갑작스런 변화를 적절하게 반영하지 못하는 한계점도 존재한다. 따라서 Study 1은 초단기 강우 예측에 적합한 방법이고, 단·중기 강우 예측을 위해서는 새로운 방법론을 찾아야 한다. Study 2에서는 단·중기 강우를 예측하기 위한 방법으로, 기상 수치 모델에 의하여 생산된 강우 예보 데이터를 실제로 관측된 정답 데이터에 가깝게 보정함으로써 예보 데이터의 정확도를 향상시키는 방법론을 제안한다. 기상 수치 모델은 지구의 대기 순환에 관련된 인류 지식의 총아로서 실생활에서 기상 예보를 위해서 사용되고 있으나, 때때로 실제 정답과는 큰 차이를 보이기 때문에 개선의 여지가 많이 남아 있다. 따라서 Study 2에서는 서로 다른 도메인의 데이터 분포 변환에서 우수한 성능을 발휘하는 GAN 모델을 적용하여 기상 수치 모델의 예보 데이터의 분포를 레이더와 같은 지상 관측 장비에 의하여 측정된 정답 데이터의 분포로 변환하는 딥러닝 보정 방법을 제안한다. 이 방법을 사용하여 기상 수치 모델 시뮬레이션 결과의 에러를 정답에 가깝게 보정함으로써, 예보 데이터의 품질을 향상시킨다. 그리고 향후 연구에서 우리는 단일 강우 예측 결과를 생산하기 위해서 Study 1의 레이더 데이터의 외삽 결과와 Study 2의 예보 데이터의 보정 결과를 결합하는 통합 강우 예측 모델을 제안한다. 두 결과를 통합함으로써, 최종 모델은 공간적으로 흐려지는 문제를 완화함과 동시에 미래 기상 조건의 급격한 변화에 대응할 수 있다. 게다가 향후 연구를 통하여 Study 1에서 얻어진 예측 데이터의 정확성과 Study 2에서 얻어진 예보 데이터의 안정성을 결합함으로써 강우 예측 모델의 성능을 향상시킬 수 있다. 전반적으로 본 연구는 기상 예보의 한 분야인 강우 예측을 상세히 다룰 뿐만 아니라, 시공간 예측 모델링을 사용하여 과거 관측 데이터와 미래 예보 데이터를 융합하는 통합된 딥러닝 모델의 디자인을 위한 실제적인 가이드라인을 제시한다.
