[論文レビュー] A Deep and Wide Neural Network-based Model for Rajasthan Summer Monsoon Rainfall (RSMR) Prediction

Vikas Bajpai, Anukriti Bansal|arXiv (Cornell University)|Mar 2, 2021

Hydrological Forecasting Using AI被引用数 4

ひとこと要約

本論文は、インド気象研究所（IMD）のグリッドデータセットおよびWRD雨量計測局のデータから得た歴史的降水量データを用いて、ラージャスターン夏モンスーン降雨量（RSMR）を予測するための深層かつワイドなニューラルネットワークベースのモデル（DWMRPM）を提案する。このモデルは1D-CNNおよびMLPベースラインを上回り、両データセットにおいて全モンスーン月にわたり最小のRMSEおよびMAEを達成し、ラージャスターンの多様な地理的地域にわたる優れた汎化性能を示している。

ABSTRACT

Importance of monsoon rainfall cannot be ignored as it affects round the year activities ranging from agriculture to industrial. Accurate rainfall estimation and prediction is very helpful in decision making in the sectors of water resource management and agriculture. Due to dynamic nature of monsoon rainfall, it's accurate prediction becomes very challenging task. In this paper, we analyze and evaluate various deep learning approaches such as one dimensional Convolutional Neutral Network, Multi-layer Perceptron and Wide Deep Neural Networks for the prediction of summer monsoon rainfall in Indian state of Rajasthan.For our analysis purpose we have used two different types of datasets for our experiments. From IMD grided dataset, rainfall data of 484 coordinates are selected which lies within the geographical boundaries of Rajasthan. We have also collected rainfall data of 158 rain gauge station from water resources department. The comparison of various algorithms on both these data sets is presented in this paper and it is found that Deep Wide Neural Network based model outperforms the other two approaches.

研究の動機と目的

• 深層学習モデルを用いて、ラージャスターン夏モンスーン降雨量（RSMR）の予測精度を向上させること。
• 特に1D-CNN、MLP、およびワイドディープニューラルネットワークの深層学習アーキテクチャの性能を評価・比較すること。
• ラージャスターン水資源局（WRD）のグリッドデータおよびポイントベースの雨量計測データを統合し、モデルの汎化性能を向上させること。
• 砂漠、山岳地帯、平野など多様な地理的地域にわたり、正確な降水量予測が可能な統合モデルを開発すること。
• 地域の水資源管理および農業計画を支援するため、早期かつ信頼性の高い降雨予報を提供すること。

提案手法

• 提案されたDWMRPMモデルは、レコメンデーションシステムに最初に設計されたワイドかつディープな学習フレームワークを模倣し、ワイドな線形特徴とディープニューラルネットワーク表現を統合する。
• モデルは、118年分（1901–2018年）のIMDグリッド降水量データ（0.25°×0.25°解像度）およびラージャスターン水資源局の61年分（1957–2017年）の局所レベルのデータで訓練される。
• 入力特徴には、複数の空間的ポイントからの歴史的降水量時系列が含まれ、季節的および長期的パターンを捉えるために時系列が入力として使用される。
• モデルは、記憶と一般化の両パターンを学習するため、全結合層（ワイド部）とディープな残差ブロック（ディープ部）を組み合わせたハイブリッドアーキテクチャを採用する。
• モデルの訓練には、平均二乗誤差（MSE）および平均絶対誤差（MAE）を損失関数として用い、適応的学習率手法により最適化される。
• 性能評価は、両テストセットにおけるRMSEおよびMAEを用い、異なる地理的地域および降水量帯にわたる交差検証が実施される。

実験結果

リサーチクエスチョン

• RQ1 深層かつワイドなニューラルネットワークアーキテクチャは、従来の1D-CNNおよびMLPモデルを上回り、ラージャスターン夏モンスーン降雨量の予測において優れた性能を示せるか？
• RQ2 モデルは、乾燥地帯、山岳地帯、平野など多様な地理的地域にわたり、どのように性能を発揮するか？
• RQ3 グリッド化IMDデータとポイントベースの雨量計測データを統合することで、予測のロバスト性および精度が向上するか？
• RQ4 DWMRPMモデルは、局所レベルおよびグリッドデータセットの両方において、ベースラインモデルと比較して相対的にどの程度の性能を示すか？
• RQ5 モデルは、ラージャスターンの異なる降水量帯および空間スケールにわたり、効果的に汎化できるか？

主な発見

• WRD局所データセットにおいて、DWMRPMは総合的にRMSEが9.9637、MAEが7.2052を達成し、MLP（RMSE: 10.2014、MAE: 7.0106）および1D-CNN（RMSE: 11.8901、MAE: 7.9931）を上回った。
• IMDグリッドデータセットにおいて、DWMRPMは総合的に最小のRMSE（9.0598）およびMAE（4.2830）を記録し、MLP（RMSE: 11.5009、MAE: 8.4529）および1D-CNN（RMSE: 9.5039、MAE: 4.6780）を上回った。
• 6月において、DWMRPMはIMDデータセットでRMSEが4.0239、MAEが3.1371と最高の性能を示し、1D-CNN（RMSE: 5.9660、MAE: 5.0429）を顕著に上回った。
• モデルは全モンスーン月（6月～9月）にわたり一貫した性能を示し、両データセットにおいて8月に最も低い誤差指標を記録した。
• 可視化比較（図6および図7）では、DWMRPMが砂漠、山岳地帯、平野など多様な地域の観測降雨トレンドをよく再現しており、強力な汎化性能を示している。
• モデルは地域的な降水量変動を的確に捉えており、北西部砂漠地域や南東高原地域など極端な気候帯でも正確な予測を実現した。