FUXI-DA: A GENERALIZED DEEP LEARNING DATA ASSIMILATION FRAMEWORK FOR ASSIMILATING SATELLITE OBSERVATIONS

이 논문에서는 기존의 데이터 동화의 한계를 극복하고자 새로운 딥러닝(DL) 모델을 도입하여 위성 관측 데이터의 동화를 개선하는 방법을 제시했다.
이 모델이 기존의 수치 날씨 예측 모델의 정확도를 뛰어넘는 결과를 보여줬다 해서 좀 자세히 살펴봤음..

Introduction

전통적인 날씨 예측 모델은 계산 비용도 크고 데이터셋 관리하기가 어려웠음
이러한 문제를 해결하기 위해 만들었고 이 프레임워크는 딥러닝 모델을 활용하여 위성 관측 데이터의 동화를 최적화하고 예측 성능을 향상시키는 것을 목표로.

Results

상대 습도와 지오텐셜에서 분석 오류가 크게 감소. 특히, 단기 및 중기 예측에서 정확도가 개선.

Discussion

• 대용량 데이터를 효율적으로 처리할 수 있는 능력
• 예측 모델에 필요한 사전 처리 요구사항을 줄일 수 있는 유연성과 확장성
• 운영 환경에서의 적용 가능성
• 기존의 대기 물리학과의 일관성을 유지하면서 더 넓은 범위에서의 사용 가능(아직 안함)

Method

• ERA5를 사용하여 모델 학습 및 검증을 수행
• Fengyun-4B/AGRI 위성의 다양한 채널에서 수집된 관측 데이터를 동화 시간 창 내에서 사용

Model Architecture

• 각 입력 유형에 대해 별도의 인코더를 사용
• 관측치와 배경 데이터 간의 불일치를 해결

Training

• A100 4개
• 6000 iter (지금 우리 3번 돌리는데에도 엄청 걸렸는데 ^ㅇ^)
• latitude-weighted L1

데이터 동화 관련 연구도 많을 것 같은데 ... 나중에 시간되면 더 찾아봐야겠다.
추후에 해양 관련 데이터도 추가하고 싶으니까 이런 느낌도 좋을 듯