Potential Improvement of GK-2A Clear-Sky Atmospheric Motion Vectors by CNN Model

Abstract

This study proposes a new approach to improve the accuracy of horizontal atmospheric motion vector (AMV) in cloud-free sky and its forecasting. We adapted convolutional neural network (CNN) framework model – the optical flow, using the two 10-minute interval infrared images at water vapor channels (centered at 6.3, 7.0, and 7.3 μm) from the Korean geostationary satellite GEO-KOMPSAT-2A (GK2A). As all pixels have seamless AMVs calculated by CNN (CNN AMVs), we could also predict AMVs using the linear regression method. The tracking performance of the CNN-based algorithm was validated using AMVs retrieved from GK2A by estimating their difference to the ERA5 wind data over Korea in 2022. CNN AMVs showed similar or better Root-Mean-Square Vector Differences (RMSVDs) than GK2A AMVs (13.86-14.12 vs. 15.61-20.00 m/s). The RMSVDs of the forecasted AMVs increased by 1.97, 2.66, 3.32, and 5.28 m/s at the lead time of 10, 20, 30, and 60 minutes, respectively. Consequently, our method showed higher accuracy for the tracking motion for the production of AMV and succeeded to forecast AMVs. Therefore, the present study suggests potential improvement in computational accuracy operational GK2A AMVs. Furthermore it will contribute to improving the accuracy of forecasting meteorological phenomena related to wind.;본 연구는 구름이 없는 청천에서 수평 대기 운동 벡터(AMV) 위성 산출물 의 정확도를 개선하고, 미래 대기 운동 벡터 예측 위한 새로운 접근 방식을 제안한다. 한국의 정지궤도위성 GEO-KOMPSAT-2A(GK2A)의 수증기 흡수 채널(6.3, 7.0, 7.3 μm 중심 흡수 파장)을 이용하여 다양한 고도의 대기 운동 벡터를 산출하였다. 수증기의 움직임을 추정하기 위해 10분 간격의 밝기 온도 이미지 2개를 입력값으로 사용하여 CNN(Convolutional Neural Network) 모델로 optical flow, 즉 수증기의 흐름을 계산하였다. CNN 알고리즘으로 계산된 대기 운동 벡터(CNN AMV)는 입력한 이미지의 모든 화소에서 벡터가 산출된다. 따라서 연속된 시간의 대기 운동 벡터에 있는 각 화소에 선형 회귀 방법을 적용할 수 있어 예측이 가능해진다. 본 연구에서 제안한 CNN 기반 알고리즘의 추적 성능은 2022년 한국을 대상으로 재분석자료 ERA5의 바람장 자료와 비교하여 검증되었다. 기존의 GK2A 알고리즘의 추적 성능 오차는 RMSVD(Root-Mean-Squared Vector Difference)가 15.61-20.00 m/s인 반해, CNN AMV의 RMSVD는 13.86-14.12 m/s로 성능이 좋아졌음을 확인했다. 또한 예측된 AMV의 RMSVD는 예측 목표 시간이 10분, 20분, 30분, 60분일 때, 각각 1.97, 2.66, 3.32, 5.28m/s의 결과를 나타냈다. 결과적으로 본 연구에서 제시한 방법은 AMV 생성을 위한 수증기 추적에 대해 기존의 알고리즘보다 더 높은 정확도를 보였고, 기존에 불가능했던 AMV 예측을 시도했다. 따라서 본 연구는 GK2A AMV를 산출하는 알고리즘의 정확도에 잠재적인 개선안을 제안하고, 더 나아가 바람과 관련된 기상현상 예보의 정확도 향상에도 기여할 것이다.