Super-Resolution Model Based on Wavelet Domain Loss for Improving Wind Speed Forecasting Accuracy

풍속 예측 정밀도 향상을 위한 웨이블릿 도메인 손실 기반 초해상화 모델

This study proposes a novel GAN-based Super-Resolution (SR) model leveraging wavelet domain loss to improve the accuracy of wind speed prediction. The proposed model integrates an enhanced generator structure into the existing Wavelet-Guided Super-Resolution (WGSR) framework to transform low-resolution wind speed images into high-resolution representations. The generator is composed of three modules: feature extraction, feature refinement, and reconstruction. Dense blocks and Channel Instance Residual Blocks (CIRB) with instance normalization are incorporated to reduce distortion and improve reconstruction performance. Experimental results using the NREL WIND Toolkit dataset demonstrate that the proposed model achieves performance improvements of 9.57% in PSNR, 21.20% in SSIM, and 21.05% in RMSE compared to the original WGSR's RRDBNet. This indicates that the model effectively enhances wind speed images from 10 km per pixel resolution to 2 km per pixel resolution, suggesting its potential applicability in weather forecasting and energy management applications.

풍속 예측의 정밀도 향상을 위해 웨이블릿 도메인 손실을 활용한 새로운 GAN 기반 초해상화 모델을 제안한다. 제안하는 모델은 저해상도 풍속 이미지를 고해상도로 변환하기 위해 기존 Wavelet-Guided Super-Resolution 프레임워크에 개선된 생성자 구조를 통합한다. 생성자 구조는 특징 추출, 특징 정제, 재구성의 세 가지 모듈로 구성되며, 인스턴스 정규화를 포함한 Dense Block과 Channel Instance Residual Block을 도입하여 기존 모델의 왜곡 현상을 완화하고, 복원 성능을 극대화한다. NREL의 WIND Toolkit 데이터셋을 활용한 실험 결과, 제안하는 모델은 기존 WGSR의 RRDBNet 대비 PSNR, SSIM, RMSE 지표에서 각각 9.57%, 21.20%, 21.05%의 성능 향상을 보인다. 이는 픽셀당 10 km 해상도의 풍속 이미지를 픽셀당 2 km 해상도로 효율적으로 변환하며, 기상 예측 및 에너지 관리 분야에서의 활용 가능성을 시사한다.