KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

Korean Society of Civil Engeneers (대한토목학회)
권호 표지
DOI QR코드

DOI QR Code

Evaluation of Performances of Radar-Based Rainfall Nowcasting Models Based on Input Domain Size

입력 도메인 크기에 따른 레이더 기반 단기 강우 예측 성능 평가

  • 서호철 (연세대학교 건설환경공학과) ;
  • 김희철 (연세대학교 건설환경공학과) ;
  • 최수연 (연세대학교 건설환경공학과) ;
  • 김연주 (연세대학교 건설환경공학과)
  • Received : 2025.03.24
  • Accepted : 2025.04.03
  • Published : 2025.06.01
Download PDF
⟨ Previous Next ⟩

Abstract

The frequency and intensity of extreme weather events are increasing due to climate change, and precipitation patterns are becoming more irregular. These changes have led to a rise in flood damage in urban areas, highlighting the growing importance of short-term rainfall forecasting technologies that can accurately predict rainfall intensity and location within a limited time frame. This study evaluates the rainfall prediction performance of ConvLSTM and pySTEPS models using radar-based rainfall data in the Andong Dam watershed (128 km×128 km) in South Korea. This study specifically analyses how different input domain sizes (128 km×128 km, 256 km×256 km, and 384 km×384 km) affect the performance of precipitation prediction over the same spatial domain, the Andong Dam basin. The results show that the prediction performance of both models improved as the input domain size increased. In particular, the pySTEPS model using a 384 km×384 km input domain exhibited relatively superior rainfall prediction performance for lead times exceeding 80 minutes. Therefore, this study suggests that the selection of an appropriate input domain for radar-based rainfall prediction models significantly impacts prediction performance, providing important guidelines for improving forecasting accuracy in future applications.

기후 변화로 인해 극단적인 기상현상의 발생 빈도와 강도가 증가하고 있으며, 이에 따라 강수 패턴도 불규칙하게 변화하고 있다. 이러한 변화는 특히 도시 지역에서 침수나 하천 범람과 같은 홍수 피해를 증가시키고 있으며, 이에 효과적으로 대응하기 위해서는 단시간 내 강수량과 위치를 정확히 예측할 수 있는 단기 강우 예측 기술의 중요성이 더욱 부각되고 있다. 본 연구에서는 레이더 강우 데이터를 기반으로 ConvLSTM과 pySTEPS 모델을 활용하여 한국 안동댐 유역에 대해 단기 강우 예측 성능을 평가하였다. 본 연구에서는 동일한 크기의 안동댐 유역을 대상으로, 강우 모델의 입력 데이터로 사용된 레이더 강우 데이터의 크기(128 km×128 km, 256 km ×256 km, 384 km×384 km)가 변화함에 따라 강우 예측 성능을 비교하고 분석하였다. 입력 도메인의 크기가 커질수록 동일한 안동댐 유역에 대해 두 강우 예측 모델 모두 예측 성능이 향상되었으며, 특히 384×384 크기의 입력 도메인을 사용한 pySTEPS 모델에서 80분 이상의 리드 타임 동안 상대적으로 우수한 강수 예측 성능을 보임을 확인하였다. 따라서 본 연구는 단기 예측을 위한 레이더 기반 모델에서 적합한 입력 도메인 설정이 예측 성능에 중요한 영향을 미친다는 점을 시사하며, 향후 강우 예측 정확도를 향상시키기 위한 중요한 기준을 제공 할 것으로 기대한다.

Keywords

Acknowledgement

This work was supported by the Korea Environment Industry & Technology Institute (KEITI) through the R&D Program for Innovative Flood Protection Technologies against Climate Crisis, funded by the Ministry of Environment (MOE) (No. RS-2023-00218873), and by the Basic Science Research Program through the National Research Foundation of Korea, funded by the Ministry of Science, ICT, and Future Planning (No. RS-2024-00456724).

References

  1. Carpenter, T. M. and Georgakakos, K. P. (2004). "Impacts of parametric and radar rainfall uncertainty on the ensemble streamflow simulations of a distributed hydrologic model." Journal of Hydrology, Vol. 298, No. 1-4, pp. 202-221, https://doi.org/10.1016/j.jhydrol.2004.03.036.
  2. Choi, S. and Kim, Y. (2022). "Rad-cGAN v1.0: Radar-based precipitation nowcasting model with conditional generative adversarial networks for multiple dam domains." Geoscientific Model Development, Vol. 15, No. 15, pp. 5967-5985, https://doi.org/10.5194/gmd-15-5967-2022.
  3. Foresti, L., Reyniers, M., Seed, A. and Delobbe, L. (2016). "Development and verification of a real-time stochastic precipitation nowcasting system for urban hydrology in Belgium." Hydrology and Earth System Sciences, Vol. 20, No. 1, pp. 505-527, https://doi.org/10.5194/hess-20-505-2016.
  4. Giannone, D., Reichlin, L. and Small, D. (2008). "Nowcasting: The real-time informational content of macroeconomic data." Journal of Monetary Economics, Vol. 55, No. 4, pp. 665-676, https://doi.org/10.1016/j.jmoneco.2008.05.010.
  5. Heuvelink, D., Berenguer, M., Brauer, C. C. and Uijlenhoet, R. (2020). "Hydrological application of radar rainfall nowcasting in the Netherlands." Environment International, Vol. 136, p. 105431, https://doi.org/10.1016/j.envint.2019.105431.
  6. Kim, S., Hong, S., Joh, M. and Song, S. K. (2017). "DeepRain: ConvLSTM network for precipitation prediction using multichannel radar data." arXiv preprint, arXiv:1711.02316, https://arxiv.org/abs/1711.02316.
  7. Marshall, J. S. and Palmer, W. M. K. (1948). "The distribution of raindrops with size." Journal of Atmospheric Sciences, Vol. 5, No. 4, pp. 165-166, https://doi.org/10.1175/1520-0469(1948)005<0165:TDORWS>2.0.CO;2.
  8. Pulkkinen, S., Nerini, D., Pérez Hortal, A. A., Velasco-Forero, C., Seed, A., Germann, U. and Foresti, L. (2019). "Pysteps: An open-source Python library for probabilistic precipitation nowcasting (v1.0)." Geoscientific Model Development, Vol. 12, No. 12, pp. 4185-4219, https://doi.org/10.5194/gmd-12-4185-2019.
  9. Shi, X., Chen, Z., Wang, H., Yeung, D. Y., Wong, W. K. and Woo, W. C. (2015). "Convolutional LSTM network: A machine learning approach for precipitation nowcasting." Advances in Neural Information Processing Systems, Vol. 28, https://arxiv.org/abs/1506.04214.
  10. Smith, J., Birch, C., Marsham, J., Peatman, S., Bollasina, M. and Pankiewicz, G. (2024). "Evaluating pySTEPS optical flow algorithms for convection nowcasting over the Maritime Continent using satellite data." Natural Hazards and Earth System Sciences, Vol. 24, No. 2, pp. 567-582, https://doi.org/10.5194/nhess-24-56