[論文レビュー] Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model

Xingjian Shi, Zhihan Gao+5 more|arXiv (Cornell University)|Jun 12, 2017

Flood Risk Assessment and Management参考文献 20被引用数 616

ひとこと要約

本論文は Trajectory GRU (TrajGRU) を導入する。降水 nowcasting のための学習可能な位置変動リカレント構造であり、オンライン/オフライン評価とバランスの取れた損失関数を備えた大規模な HKO-7 ベンチマークを提供する。

ABSTRACT

With the goal of making high-resolution forecasts of regional rainfall, precipitation nowcasting has become an important and fundamental technology underlying various public services ranging from rainstorm warnings to flight safety. Recently, the Convolutional LSTM (ConvLSTM) model has been shown to outperform traditional optical flow based methods for precipitation nowcasting, suggesting that deep learning models have a huge potential for solving the problem. However, the convolutional recurrence structure in ConvLSTM-based models is location-invariant while natural motion and transformation (e.g., rotation) are location-variant in general. Furthermore, since deep-learning-based precipitation nowcasting is a newly emerging area, clear evaluation protocols have not yet been established. To address these problems, we propose both a new model and a benchmark for precipitation nowcasting. Specifically, we go beyond ConvLSTM and propose the Trajectory GRU (TrajGRU) model that can actively learn the location-variant structure for recurrent connections. Besides, we provide a benchmark that includes a real-world large-scale dataset from the Hong Kong Observatory, a new training loss, and a comprehensive evaluation protocol to facilitate future research and gauge the state of the art.

研究の動機と目的

• 実世界の公共サービスのための地域降水の正確で高解像度な現在予報を実現する動機づけ。
• ConvLSTM の限界に対処するため、位置依存的な再帰構造を学習する。
• オンライン/オフライン評価とバランスの取れた損失関数を備えた大規模ベンチマーク（HKO-7）を提供。
• 気象学における映像予測へ標準化された評価プロトコルとオンライン学習の適用性を促進する。

提案手法

• サブネットワークが学習された光学フローでパラメータ化された局所的でグリッド上に必ずしも依存しない再帰接続のセットを出力する Trajectory GRU (TrajGRU) を提案する。
• 固定の状態間畳み込みを、前状態のワープベースのサンプリングによる学習された位置依存性接続パターンに置換する。
• ダウンサンプリング/アップサンプリングを備えたエンコーダ-フォーキャスティングネットワーク構造を導入し、グローバルおよびローカルな時空情報を分離して捉える。
• ノイズフィルタリングと降雨強度ベースの前処理を用いて、香港のレーダCAPPI画像（2009–2015）から HKO-7 データセットを開発する。
• 降雨レートの不均衡に対処するため、Balanced MSE (B-MSE) および Balanced MAE (B-MAE) 損失を定義する。
• オフライン設定とオンライン設定、および複数の降雨閾値を含む評価プロトコルを提供する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な位置依存的再帰構造は ConvGRU および他のベースラインより降水 nowcasting を改善できるか？
• RQ2 オンライン微調整（オンライン学習）はオフライン学習と比較して nowcasting の性能を向上させるか？
• RQ3 バランスの取れた損失関数（B-MSE, B-MAE）はより重い降雨閾値での性能を反映する指標として、従来の MSE/MAE より良いのか？
• RQ4 TrajGRU は大規模な実データセット（HKO-7）上で、複数の降雨閾値を横断してどのように性能を示すか？

主な発見

• TrajGRU は MovingMNIST++ において ConvGRU、2D CNN、3D CNN、DFN より優れており、いくつかのベースラインよりパラメータ数が少ない。
• MovingMNIST++ の合成データセットで、13 リンクを持つ TrajGRU は、より大きな固定カーネルでパラメータが少ない ConvGRU よりも検証時の MSE が良い。
• HKO-7 降水 nowcasting ベンチマークでは、バランスの取れた損失を用いた深層学習モデルがオプティカルフローのベースラインを上回り、TrajGRU が全体最良の性能を達成。
• オンライン微調整は、オフライン学習と比較してモデル全体の nowcasting スコアを一貫して向上。
• バランスの取れた損失関数（B-MSE、B-MAE）は、CSI、HSS といった実用的なスキル指標との相関が、素の MSE/MAE より高い。
• TrajGRU は、降雨フィールドにおける回転などの位置依存的な運動パターンに対して、軌跡ベースの再帰接続を学習することが有益であることを示した。