Improving Reanalysis Hub-Height Wind Speeds and Wind Shear Across Large Spatial Domains Using Near-Surface Observational Networks

기술 요약: 대규모 공간 영역에 걸친 재분석 허브 높이 풍속 및 풍속 시어 개선

문제 정의
터빈 허브 높이(통상 80–100 m)에서의 정확한 장기 풍속 데이터는 풍력 자원 평가에 필수적이다. 그러나 높은 지형 기상 타워를 유지 관리하는 데 드는 높은 비용으로 인해, 해당 고도의 직접적인 관측 데이터는 매우 희소하다. ERA5와 같은 재분석 산물은 다양한 높이에서 일관된 장기 풍속 데이터를 제공하지만, 공간 해상도가 낮고 하층 격자 규모의 과정(지형 복잡성 및 대류 등)에 대한 매개변수화가 단순하여, 특히 복잡한 지형에서 편향(bias)이 발생할 수 있다.

기존의 머신러닝(ML) 접근 방식은 허브 높이 관측치가 존재하는 위치에서 학습하는 데 의존한다. 이는 관측되지 않은 위치나 데이터가 없는 대규모 영역에 대한 적용성을 제한한다. 또한, 수정된 지표 부근 풍속을 허브 높이로 수직 외삽하는 과정은 단순한 가정(예: 중립 안정도)이나 모닌-오부코프 유사성 이론(MOST)에 의존하는데, 이는 광범위한 네트워크 전반에서 흔치 않은 지표 플럭스 데이터나 두 높이 사이의 풍속/온도 프로파일을 필요로 한다. 따라서 본 연구의 과제는 널리 사용 가능한 지표 부근 기상 관측만을 사용하여 대규모 공간 영역에서 허브 높이 풍속 추정치를 개선하는 프레임워크를 개발하는 것이다.

방법론
저자들은 100 m에서의 ERA5 풍속을 동시에 보정하고 10 m와 100 m 사이의 풍속 시어 지수(WSE)를 예측하도록 설계된 새로운 머신러닝 프레임워크인 **POWLIN(Power Law Informed Neural Network)**을 제안한다.

• 데이터 소스:

  • 학습 데이터: 모델은 Environment and Climate Change Canada(ECCC) 및 US Automated Surface Observing System(US-ASOS) 네트워크의 일상적인 지표 부근 관측값(10 m 풍속)을 활용한다. 풍속 시어 학습을 구속하기 위해, 본 프레임워크는 고주파 온도 및 다중 높이의 풍속 프로파일을 제공하는 Oklahoma Mesonet(OKM)에서 계산된 MOST 기반 WSE를 통합한다.
  • 평가 데이터: 250개 이상의 글로벌 스테이션에서 수집된 다중 높이 풍속 관측치를 포함하는 **Tall Tower Dataset (TALLDB)**을 독립 검증에 사용한다.
  • 예측 변수: 모델은 ERA5 기상 변수(10 m 및 100 m 풍속, 경계층 높이, 표면 기압, 2 m 온도), 국지적 지형 특성(다양한 규모의 섹터 평균 거칠기 길이, 경사도 표준 편차), 그리고 시간적 특징을 입력값으로 사용한다.

• 모델 아키텍처 및 손실 함수:

  • 아키텍처는 Multi-Head Self-Attention(MHA)에 기반한 시퀀스-투-시퀀스(sequence-to-sequence) 딥러닝 모델이다.
  • 복합 손실 함수(Composite Loss Function): 핵심 혁신은 손실 함수에 멱법칙(power-law) 풍속 프로파일을 통합한 것이다. 모델은 두 가지 출력값을 예측한다: ERA5 100 m 풍속에 대한 보정 계수($CF_{100m}$)와 풍속 시어 지수($\alpha$).
  • 기본 손실은 관측된 10 m 풍속과 모델이 수직 외삽한 100 m 풍속(보정된 $CF_{100m}$ 및 $\alpha$ 적용) 사이의 오차를 최소화한다.
  • 보조 손실 항은 예측된 $\alpha$와 OKM 스테이션에서 도출된 MOST 기반 WSE 사이의 오차를 최소화한다. 마스킹 절차를 통해 이 보조 손실은 OKM 데이터가 존재하는 곳에만 적용되도록 하여, 모델이 밀집된 10 m 네트워크로부터 학습하면서도 희소한 시어 데이터에 의해 구속되도록 한다.
  • 정규화(Regularization): 노이즈가 있는 MOST 유도 시어 타겟에 과적합되는 것을 방방하기 위해, WSE의 일간 변동성은 개별 시간 값을 예측하는 대신 압축된 함수 형태(체비쇼프 다항식, 푸리에 급수 또는 이중 로지스틱 함수)로 표현된다.

• 베이스라인 비교:

  • ERA5: 조정되지 않은 재분석 데이터.
  • CF10m: 10 m 풍속만을 보정하고 ERA5 유도 WSE를 사용하여 허브 높이로 외삽하는 ML 모델.
  • POWLIN-2L: 10–40 m 사이의 시어를 학습하고(MOST 타겟 사용), 40–100 m 구간에는 ERA5 시어를 사용하는 2계층 접근 방식.

주요 결과

• 지표 부근 성능: 10 m 지점에서 ML 프레임워크는 ECCC, OKM, US-ASOS 네트워크 전반에서 ERA5의 성능을 일반적으로 개선했다. CF10m 구성이 10 m에서 가장 큰 개선을 보였는데, 이는 POWLIN의 복합 손실에 비해 최적화 과정이 더 단순하기 때문인 것으로 보인다.
• 허브 높이 성능: TALLDB 스테이션(10–100 m)을 대상으로 평가했을 때, POWLIN-1L(전체 10–100 m 구간의 시어를 학습)이 다른 구성들, 특히 40–100 m 범위와 안정된 대기 조건에서 다른 모델들을 능가했다.
  • POWLIN-1L은 ERA5 대비 중앙값 절대 편차(MAD)와 평균 제곱근 오차(RMSE)를 감소시켰다.
  • 또한, CF10m(외삽을 위해 ERA5 시어에 의존함)가 높은 고도에서 시간적 상관관계가 저하되는 것과 달리, POWLIN-1L은 허브 높이 풍속의 시간적 변동성(Centered RMSE)을 개선했다.
• 풍속 시어 예측: ML이 예측한 WSE는 ERA5 유도 값보다 전반적으로 우수한 성능을 보였다. 압축된 함수 표현(체비쇼의, DLogistic, Fourier)은 "Full 24h" 방식보다 더 정확한 시어 지수를 산출하였으며, 이는 일주기(diurnal cycle)에 물리적 제약을 가하는 것이 모델 정규화에 도움이 됨을 입증한다.
• 일반화: 프레임식은 복잡한 지형(예: NWTC 사이트)을 포함하여 관측되지 않은 위치로 성공적으로 일반화되었으며, 지형적 가속 구역에서의 과소 추정과 고거칠기 지역에서의 과대 추정과 같은 체계적 편향을 보정하였다.

의의 및 주장
본 논문은 대규모 공간 영역(대륙 규모)에서 재분석 데이터의 허브 높이 풍속 추정치를 향상시키기 위한 실용적이고 확장 가능한 솔루션을 제공한다고 주장한다. 주요 의의는 다음과 같다:

1. 데이터 효율성: 허브 높이 보정을 위해 학습 시 지표 부근 기상 변수(10 m 풍속)만을 활용함으로써, 고층 타워의 밀집 네트워크 없이도 이를 달성한다.
2. 물리적 일관성: 손실 함수에 멱법칙 프로파일을 내장하고 MOST 유도 시어를 제약 조건으로 활용함으로써, 모델이 지형, 안정도 및 풍속 시어 사이의 물리적으로 일관된 관계를 학습하도록 한다.
3. 이중 출력: 프레임워크는 풍속 추정치를 개선하는 동시에 표준 재분석 산물보다 더 정확한 풍속 시어 지수를 제공하며, 이는 풍력 자원 평가에 매우 중요하다.
4. 강건성: 시어 지수에 압축된 함수 형태를 사용하는 것은 노이즈가 많은 타겟 데이터에 대한 과적합을 방지하여, 북미 전역의 다양한 기후 및 지형 체계에 효과적으로 일반화할 수 있게 한다.

저자들은 현재 프레임워크가 ERA5에 의존하고 있지만, 지표 부근 관측 데이터가 제공된다면 이 방법론이 다른 재분석 또는 고해상도 데이터셋에도 전이 가능하다고 결론지었다. 향후 연구로는 다양한 네트워크(예: 뉴욕주)의 추가 학습 데이터 통합 및 실제 풍력 발전 단지 데이터에 대한 검증이 제안되었다.