TabGRU: An Enhanced Design for Urban Rainfall Intensity Estimation Using Commercial Microwave Links
Created by
Haebom
Category
Empty
저자
Xingwang Li (C. Z.), Mengyun Chen (C. Z.), Jiamou Liu (C. Z.), Sijie Wang (C. Z.), Shuanggen Jin (C. Z.), Jafet C. M. Andersson (C. Z.), Jonas Olsson (C. Z.), Remco (C. Z.), van de Beek, Hai Victor Habi, Congzheng Han
개요
가속화되는 도시화와 극한 기상 현상 증가에 따라, 본 논문은 스마트 도시 구축을 위한 고해상도 도시 강우량 모니터링의 중요성을 강조합니다. 상용 마이크로파 링크(CML)를 활용하여 강우량을 측정하는 새로운 하이브리드 딥러닝 아키텍처 TabGRU를 제안합니다. TabGRU는 Transformer와 양방향 게이트 순환 유닛(BiGRU)을 결합하여 장기 의존성과 국소적 순차적 특징을 모두 포착하며, 위치 임베딩 및 어텐션 풀링 메커니즘을 통해 동적 특징 추출 및 일반화 능력을 향상시킵니다. 스웨덴 Gothenburg의 공개 벤치마크 데이터셋을 사용하여 평가한 결과, TabGRU는 딥러닝 기반 모델 및 물리 기반 모델보다 우수한 성능을 보였으며, 특히 최고 강우량 시 과대 추정 문제를 효과적으로 해결했습니다.
시사점, 한계점
•
시사점:
◦
CML 신호 데이터를 활용한 정확한 도시 강우량 모니터링을 위한 새로운 딥러닝 모델 TabGRU 제시.
◦
기존 방법의 한계를 극복하고, 높은 정확도와 일반화 성능을 달성하여 스마트 도시 구축에 기여.
◦
최고 강우량 시의 과대 추정 문제 해결을 통해 실제 강우량 예측의 정확성 향상.
•
한계점:
◦
스웨덴 Gothenburg의 특정 데이터셋(2015년 6-9월)을 기반으로 검증되어, 다른 지역 또는 기상 조건에서의 일반화 성능은 추가적인 연구가 필요.
◦
제안된 모델의 복잡성으로 인해, 실제 시스템 적용 시 계산 비용 및 효율성에 대한 고려가 필요.
◦
두 개의 강우량 측정소(Torp, Barl)에서 12개의 서브 링크를 사용한 제한적인 테스트 환경.
