DNN-based accuracy improvement for the rain rate from microwave satellites and the blending of the multi-satellite rain rate data using a modified Bayesian ensemble

Abstract

강수는 수문 순환에 중요한 요소이며, 인간과 생태계에 밀접한 영향을 준다. 강수의 관측은 소규모 변동성이 매우 크고 비정상정인 통계적 변동성을 보인다. 따라서 정확하고 시공간적으로 조밀한 모니터링이 요구된다. 위성을 이용한 강우강도는 이러한 모니터링에 효율적인다. 지상에서 관측이 어려운 곳과 넓은 영역의 모니터링을 가능하게 한다. 위성의 강우강도의 산출은 수동 마이크로파(passive microwave, PMW) 센서를 널리 사용하고 있다. 이는 적외채널이나 가시광선채널에 비해 구름에 대한 투과율이 높기때문에 더 직접적인 관측이 가능하기 때문이다. 하지만 기존의 PMW를 이용하여 강우강도를 산출하는 알고리듬은 밝기온도 및 밝기온도로 구해지는 몇몇 지수에 대한 회귀분석을 통해 산출되거나 복사전달모델과 구름용해모델을 통해 대기상태를 모의한 후 베이지언 이론으로 산출되었다. 회귀분석을 이용한 통계적 기법은 비구름과 지표면의 강우에 대한 복잡하고 비선형적인 관계를 충분히 설명하기엔 제한적이었으며, 모델 자료를 이용한 물리적 기반의 강우강도 산출은 대기상태의 모의가 어렵고, 해양에 국한되어 왔다. 또한 PMW 센서는 대부분 저궤도 위성에 탑재되어, 단일 위성 혹은 센서를 이용하기에는 전지구적인 관측을 위해서 시간적, 공간적인 탐지영역에 대해 제한적이다. 따라서 다중 위성 혹은 센서를 이용한 다중 위성 강우강도 합성장들이 개발 및 배포되고 있지만, 이는 중첩지역에 대해서 개별 자료에 대한 편차 보정 후 자료를 평균, 중위수 또는 최근린 값으로 사용하고 있다. 이는 개별 위성 및 센서의 불확실성의 차이를 고려하지 않는 방법으로 오히려 그 정확도를 감소시킬 수 있다. 따라서 본 연구의 목표로는 비구름과 지표면 사이의 복잡하고 비선형적인 관계를 설명하기 위해 심층신경망(Deep neural network)을 이용하여 위성강우강도 산출물을 개선하고자 한다. 또한 다중위성의 합성시 베이지언 모형 평균화(Ensemble Bayesian model averageing, EBMA)를 이용하여 중첩지역에 대한 불확실성의 차이를 고려한 가중치 설정과 가중평균을 통해 합리적인 합성을 통해 관측영역의 확대와 중첩지역의 이중의 정확도 개선을 목표로 하였다. DNN을 적용한 PMW센서 기반의 강우강도 산출물의 개선을 위해서 본 연구에서는 강우여부 판단, 강우강도 산출에 대한 2가지의 DNN 모델을 생성하고 이를 결합하여 강우강도를 개선하였다. 개선 대상 센서로는 Global precipitation measurement (GPM) microwave imager (GMI), Special sensor microwave imager/sounder (SSMIS), Microwave humidity sounder (MHS) 센서를 선정하였다. 3개 위성을 탑재하고 있는 8개 위성에서 자료를 취득하여 실험을 진행하였다. 반복 수행을 통해 2가지 DNN 모델의 최적화를 수행하였으며, 이를 통해 산출된 자료와 Goddard profiling algorithm (GPROF)를 통해 산출되는 강우강도 산출물과의 정확도를 비교 분석하였다. 강우여부 판단에서는 4.3%의 개선을 보였으며 강우강도 산출에서는 17.4%의 정확도 개선을 확인하였다. EBMA를 이용한 합성장 산출을 위해 선행연구에서와 같이 로지스틱회귀와 감마분포의 결합분포로 확률밀도함수를 구성하였다. 하지만 선행연구들과 달리, 위성 강우강도에 적절히 적용하기 위해 EBMA를 변형 및 개선하여 사용하였다. 경험 누적확률분포를 이용한 합성멤버들의 일차적인 편의보정을 추가하였으며, 로지스틱회귀와 감마분포에서의 추정값의 보정계수로 사용된 지수를 불필요를 확인하고 이를 제거하였다. 그리고 가중 평균된 EBMA 확률밀도함수로부터 강우강도를 추정하기 위한 적절한 백분위수를 반복 수행 통해 최적의 백분위수를 선정하였다. 그 결과 합성장 생성시 합성멤버의 탐지영역을 모두 포함하지만, 중첩지역에 대해서 불연속적인 부분이 보이지 않으며 중첩지역에서는 입력자료인 결합DNN의 강우강도 자료보다 개선된 오차를 보였다. 또한 널리 사용되는 Intergrated multi-datellite retrievals for GPM (IMERG) 자료에 비해 44.2%의 뚜렷한 개선을 확인하였다. 또한 최종적인 합성장의 중첩지역에서는 DNN 강우강도 자료에서 다시 한번 정확도개선의 효과를 보임을 확인할 수 있었다.