[論文レビュー] Deep learning-based air temperature mapping by fusing remote sensing, station, simulation and socioeconomic data

Huanfeng Shen, Yun Jiang+4 more|arXiv (Cornell University)|Jan 14, 2020

Urban Heat Island Mitigation参考文献 58被引用数 5

ひとこと要約

本研究では、中国全域における日々の最高気温（Ta）を、リモートセンシング、地上観測、再解析シミュレーション、社会経済的変数を統合したマルチソースデータを用いてマッピングするための深層信念ネットワーク（DBN）ベースのフレームワークを提案する。5層構造のDBNは高い精度（RMSE: 1.996°C、MAE: 1.539°C、R: 0.986）を達成し、MLR、BPNN、ランダムフォレストモデルを上回り、異種のデータソースを統合した空間時系列的Ta推定におけるディープラーニングの有効性を示している。

ABSTRACT

Air temperature (Ta) is an essential climatological component that controls and influences various earth surface processes. In this study, we make the first attempt to employ deep learning for Ta mapping mainly based on space remote sensing and ground station observations. Considering that Ta varies greatly in space and time and is sensitive to many factors, assimilation data and socioeconomic data are also included for a multi-source data fusion based estimation. Specifically, a 5-layers structured deep belief network (DBN) is employed to better capture the complicated and non-linear relationships between Ta and different predictor variables. Layer-wise pre-training process for essential features extraction and fine-tuning process for weight parameters optimization ensure the robust prediction of Ta spatio-temporal distribution. The DBN model was implemented for 0.01° daily maximum Ta mapping across China. The ten-fold cross-validation results indicate that the DBN model achieves promising results with the RMSE of 1.996°C, MAE of 1.539°C, and R of 0.986 at the national scale. Compared with multiple linear regression (MLR), back-propagation neural network (BPNN) and random forest (RF) method, the DBN model reduces the MAE values by 1.340°C, 0.387°C and 0.222°C, respectively. Further analysis on spatial distribution and temporal tendency of prediction errors both validate the great potentials of DBN in Ta estimation.

研究の動機と目的

• マルチソースデータを用いて中国全域における高分解能な空間時系列的気温（Ta）マッピング手法を開発すること。
• Taと多様な環境的・社会経済的予測因子との間の非線形的で複雑な関係を扱う挑戦に応えること。
• 従来の統計的および機械学習モデルを改善し、深層学習を活用してTa推定精度を向上させること。
• 深層信念ネットワーク（DBN）が空間的・時間的Ta変動を捉える能力の強靭性と一般化能力を検証すること。

提案手法

• Taと予測因子変数の間の複雑な非線形関係をモデル化するために、5層構造の深層信念ネットワーク（DBN）を採用する。
• 入力データからの階層的特徴抽出を目的として、層別事前学習を実施し、その後、ネットワーク重みの最適化を目的としたファインチューニングを実施する。
• 入力データには、リモートセンシングデータ（例：地表面温度）、地上観測データ、再解析シミュレーション出力、社会経済指標が含まれる。
• 全国スケールの0.01°空間分解能を有するデータセットを用い、10分割交差検証戦略によりモデルを学習および検証する。
• スタックドオートエンコーダー構造を用いて、異種のデータソースを統合し、エンドツーエンドの特徴抽出と予測を可能にする。
• 独立したテストセットを用いて、RMSE、MAE、決定係数（R²）を指標として、モデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 深層信念ネットワークは、リモートセンシング、観測所、シミュレーション、社会経済的データといったマルチソースデータを効果的に統合し、日々の最高気温マッピングの精度を向上させることができるか？
• RQ2 多様な気候的・地形的地域をカバーする中国全域において、DBNモデルは、重回帰分析（MLR）、バックプロパゲーションニューラルネットワーク（BPNN）、ランダムフォレスト（RF）といった従来の手法と比較して、Ta予測において優れた性能を示すか？
• RQ3 DBNベースのTaマッピングにおける予測誤差の空間的・時間的分布はどのようなものか？ これはモデルの信頼性について何を示唆しているか？
• RQ4 社会経済的およびシミュレートされた気象データの統合は、ディープラーニングベースのTa推定精度をどの程度向上させるか？

主な発見

• DBNモデルは全国スケールで、均差二乗誤差（RMSE）が1.996°C、平均絶対誤差（MAE）が1.539°C、決定係数（R）が0.986を達成した。
• DBNは、重回帰分析（MLR）と比較してMAEを1.340°C、バックプロパゲーションニューラルネットワーク（BPNN）と比較して0.387°C、ランダムフォレスト（RF）と比較して0.222°C低減した。
• 空間的誤差解析から、多様な地形的・気候的地域で一貫した予測性能が確認され、一般化能力の高さが示された。
• 時間的誤差解析から、時間経過に伴うバイアスが最小限に抑えられており、モデルが季節的・日周変動を安定して捉えていることが確認された。
• 社会経済的およびシミュレーションデータの統合により、特に都市部およびデータが乏しい地域でモデル精度が顕著に向上した。
• 層別事前学習とファインチューニング戦略により、特徴抽出とモデル収束が向上し、優れた予測性能に寄与した。