Prediction of typhoon tracks using a generative adversarial network with observational and meteorological data

Abstract

본 연구는 Generative Adversarial Network (GAN)이 위성영상과 재해석 데이터 이미지를 입으로 써서 태풍의 경로를 예측한다. 이미지들은 1993년부터 2017년까지 한국에 영향을 끼친 태풍들이 포함되고 학습 데이터와 테스트 데이터로 나뉘어 있다. GAN은 학습 데이터를 통해서 6시간 간에 해당하는 태풍의 발달을 학습하며 테스트 데이터를 통해서 학습되지 않은 태풍의 중심과 구름의 이동을 예측한다. 예측된 태풍의 중심에 대한 에러를 정량적으로 측정하였다. 전체 태풍 예측 결과에서 65.5 %의 태풍은 80 km 이내의 오차를, 31.5 %의 태풍은 80 - 120 km의 오차를 보였다. 단 3.0 %의 태풍만 120 km 보다 큰 오차를 보였다. 평균 오차는 67.2 km으로 나타났다. 예측된 구름의 이동 정성적으로 평가되었다. GAN은 구름 구조발달에 대한 경향을 예측할 수 있다. 추후에는 한국에 영향을 끼친 태풍들 뿐만 아니라 아시아에서 발생한 모든 태풍의 데이터를 고려하여 학습하고자 한다.

Tracks of typhoons are predicted using a generative adversarial network (GAN) with observational data in form of satellite images and meteorological data from a reanalysis database. Time series of images of typhoons which occurred in the Korean Peninsula in the past are used to train the neural network. The trained GAN is employed to produce a 6-hour-advance track of a typhoon for which the GAN was not trained. The predicted image favorably identifies the future location of the typhoon center as well as the deformed cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 65.5 % of all typhoon center predictions have an error of less than 80 km, 31.5 % lie within a range of 80 - 120 km and the remaining 3.0 % are above 120 km. The overall error is 67.2 km, compared to 95.6 km when only observational data are used as input. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. It is found that adding physically meaningful meteorological data to satellite images improves the sharpness of predicted images.