[論文レビュー] Data archive for "Seamless lightning nowcasting with recurrent-convolutional deep learning"

Jussi Leinonen, Ulrich Hamann+1 more|arXiv (Cornell University)|Mar 15, 2022

Meteorological Phenomena and Simulations被引用数 6

ひとこと要約

本稿では、レーダー、気象衛星、NWP、地形などのマルチソースデータを用いて、5分解像度で最大60分先までのシームレスなライトニング・ノーカスティングを実現する再帰的畳み込みニューラルネットワーク（RCNN）を提案する。モデルは60分先のピクセル単位の臨界成功指数（CSI）として0.45を達成し、5分では0.75、60分では0.32に低下するが、ストームの運動、成長、崩壊を追跡せずに予測できることから、優れた性能を示している。

ABSTRACT

A deep learning model is presented to nowcast the occurrence of lightning at a five-minute time resolution 60 minutes into the future. The model is based on a recurrent-convolutional architecture that allows it to recognize and predict the spatiotemporal development of convection, including the motion, growth and decay of thunderstorm cells. The predictions are performed on a stationary grid, without the use of storm object detection and tracking. The input data, collected from an area in and surrounding Switzerland, comprise ground-based radar data, visible/infrared satellite data and derived cloud products, lightning detection, numerical weather prediction and digital elevation model data. We analyze different alternative loss functions, class weighting strategies and model features, providing guidelines for future studies to select loss functions optimally and to properly calibrate the probabilistic predictions of their model. Based on these analyses, we use focal loss in this study, but conclude that it only provides a small benefit over cross entropy, which is a viable option if recalibration of the model is not practical. The model achieves a pixel-wise critical success index (CSI) of 0.45 to predict lightning occurrence within 8 km over the 60-min nowcast period, ranging from a CSI of 0.75 at a 5-min lead time to a CSI of 0.32 at a 60-min lead time.

研究の動機と目的

• 短時間の災害緩和を目的とした、高解像度でシームレスなライトニング・ノーカスティングを実現するディープラーニングモデルの開発。
• 従来のノーカスティング手法の限界を克服するため、ストームオブジェクト追跡を伴わず、グリッドベースのフレームワークで観測データとNWPデータを直接統合する。
• 急激に変化する積乱雲系において、確率的ライトニング予測のための損失関数とキャリブレーション戦略の最適化。
• 航空、民防、エネルギーインfra構築分野におけるライトニングリスク管理に応用可能な、移植可能なデータ駆動型アプローチの提供。

提案手法

• スパティオトロピカルな対流の進化をモデル化するため、畳み込みニューラルネットワーク（CNN）による空間的特徴抽出と、再帰ニューラルネットワーク（RNN）による時間的ダイナミクスを統合した再帰的畳み込みニューラルネットワーク（RCNN）アーキテクチャを採用。
• 入力データには地上レーダー（RZC, CZC, LZC）、地球静止衛星の放射率（VIS, IR, WV）、雲関連の派生変数（雲頂温度、高度、状態）、NWP変数（CAPE, CIN, オメガ）、デジタル標高モデル（DEM）の派生変数が含まれる。
• すべての入力変数は正規化および対数または線形スケーリングにより事前処理され、一貫した入力範囲が確保され、モデル収束の向上が図られる。
• モデル出力は静的グリッド上での確率的ライトニング発生予測であり、不確実性の定量化とユーザー定義のしきい値による応用が可能である。
• ファーコス損失はクロスエントロピー損失と比較評価されたが、ファーコス損失は僅かな改善しかもたらさず、適切なキャリブレーションが施された場合、クロスエントロピー損失が依然として有効なベースラインであることが示された。
• クラス不均衡を是正するため、ファーコス損失とクラスウェイトの組み合わせを用いてモデル学習を実施し、ハイパーパramータ選定のための広範なアブレーションスタディが実施された。

実験結果

リサーチクエスチョン

• RQ1 ストームオブジェクト追跡を一切行わない条件下で、再帰的畳み込みディープラーニングモデルは、ライトニングを発生させる積乱雲のスパティオトロピカルな進化をどの程度正確に予測できるか？
• RQ2 極めて不均衡なライトニング発生データを扱う確率的ライトニング・ノーカスティングモデルを訓練する際、最適な損失関数は何か？
• RQ3 レーダー、気象衛星、NWP、DEMといった異なる入力データソースは、短期的ライトニング予測におけるモデル性能にどの程度寄与しているか？
• RQ4 非常に短い先行時間（例：5分）においても高解像度の予測精度を維持しつつ、60分先まで予測を延長できるか？
• RQ5 多様な最終ユーザーの応用ニーズに応じた意思決定支援を可能にするために、確率的予測を効果的にキャリブレーションする方法は何か？

主な発見

• スイス全域における60分先のライトニング・ノーカスティングにおいて、ピクセル単位の臨界成功指数（CSI）は0.45を達成し、5分では0.75、60分では0.32に低下する。
• ファーコス損失は標準的なクロスエントロピー損失に比べて僅かな改善に留まり、適切なキャリブレーションが施された場合、クロスエントロピー損失が依然として強力なベースラインであることが示された。
• NWPデータ、特にCAPEとCINの組み込みにより、モデル性能が向上し、特にストームの発達と崩壊のダイナミクスを捉える能力が向上した。
• ストームオブジェクト検出に依存せず、グリッドベースのノーカスティングにおいても、対流セルの運動、成長、崩壊を的確に予測でき、高いロバストネスを示した。
• 特に対数スケーリングと正規化を施した入力変数の事前処理が、学習安定性と予測精度の両面で顕著な向上をもたらした。
• 訓練済みモデルと関連データセットはCC BY-NC-SA 4.0の下で公開されており、ライトニング・ノーカスティングコミュニティにおける再現性と今後のベンチマークに貢献できる。