[論文レビュー] Deep learning predictions of sand dune migration

Kelly Kochanski, Divya Mohan+3 more|arXiv (Cornell University)|Dec 13, 2019

Aeolian processes and effects参考文献 15被引用数 5

ひとこと要約

本論文は、2つのモデルを用いて大規模な砂だんの移動を予測する深層学習アプローチを提案する。1つは動画予測GANであり、もう1つは物理ベースのセルオートマトン型だんシミュレーションを模倣するためのCNNである。シミュレートされただんの高さデータで訓練されたGANは、物理ベースのモデルに比べ10⁷倍高速な推論を達成し、だんの運動および形状の特徴を有望に捉えている一方、CNNは対称性の問題と時間経過に伴う誤差蓄積に苦しんでいる。

ABSTRACT

A dry decade in the Navajo Nation has killed vegetation, dessicated soils, and released once-stable sand into the wind. This sand now covers one-third of the Nation's land, threatening roads, gardens and hundreds of homes. Many arid regions have similar problems: global warming has increased dune movement across farmland in Namibia and Angola, and the southwestern US. Current dune models, unfortunately, do not scale well enough to provide useful forecasts for the $\sim$5\% of land surfaces covered by mobile sand. We test the ability of two deep learning algorithms, a GAN and a CNN, to model the motion of sand dunes. The models are trained on simulated data from community-standard cellular automaton model of sand dunes. Preliminary results show the GAN producing reasonable forward predictions of dune migration at ten million times the speed of the existing model.

研究の動機と目的

• ナバホ・ナショナル・トレース全域をカバーするだんの移動をシミュレートする現行の物理ベースのモデルが、約200年もかかるという計算上の非現実性に対処する。
• 砂粒の大きさや風のパターンなど、測定が難しい変数に依存する既存のモデルのスケーラビリティとデータ要件の制限を克服する。
• 最大1年間のリードタイムを有する、正確で高速な地域予測を可能にする深層学習フレームワークを開発する。
• 衛星から得られるデジタル・エレベーション・モデル（DEM）と、脆弱な乾燥地域における実行可能な気候危機予測の間のギャップを埋める。
• 雪だらけの積雪や暴風路など、他の自然災害にも応用可能な複雑な時空間パターンをモデリングするための深層学習の活用を先導する。

提案手法

• 0.5 m²の解像度と3.0日間隔で、0.5年間の期間をカバーする物理ベースのRescal-snowシミュレーションを用いて、360件のだん時系列の合成データセットを生成する。
• 4つの歴史的高さフレーム（F0–F3）を入力とし、次のフレーム（GEN）を生成するためのマルチスケールCNNを用いた動画予測GANを訓練する。この際、交互に畳み込み層とReLU活性化関数を適用する。
• 物理ベースのだんシミュレーションのアルゴリズム的構造を模倣するための2番目のCNNを設計し、30のセル状態と最近接セル間の相互作用を持つ3次元セルオートマトンをモデル化する。
• 実世界の衛星観測によるデジタル・エレベーション・モデル（DEM）に適用する前に、シミュレートされたデータ上でモデルの性能をテストする。
• 一般化性能を向上させるために、風速、粒径、だんの幾何学的形状の変化を段階的に導入することで、訓練データの複雑さを徐々に増加させる。
• GAN性能の観点から、35〜71日間隔が最適であることが判明。これは、32×32ピクセルの受容 field 内でだんが少なくとも1ピクセル分移動するが、完全な移動は発生しない範囲である。

実験結果

リサーチクエスチョン

• RQ1 シミュレートされただんデータで訓練された深層学習モデルは、1年間の予測期間において、将来のだんの配置を正確に予測できるか？
• RQ2 物理ベースのだんモデルの背後にあるセルオートマトン則を模倣するCNNと比較して、GANベースの動画予測モデルの性能はどの程度高いか？
• RQ3 3×3畳み込みを用いたCNNは、実際のだん形成セルオートマトンの複雑で確率的かつ多状態のダイナミクスをどの程度正確に近似できるか？
• RQ4 深層学習モデルは、ReSCALのような従来の物理ベースのシミュレーションに比べて、どの程度の計算速度向上を達成できるか？
• RQ5 観測によるデジタル・エレベーション・モデル（DEM）を用いて実世界のだん地域にテストした場合、訓練済みモデルは一般化できるか？

主な発見

• GANベースのモデルは、物理ベースのシミュレーションに比べ10⁷倍高速に予測を生成し、重要なだんの形状的特徴を捉えながらも、高い計算効率を達成している。
• GANは大規模なだんでは有望な性能を示しており、風下への移動と形状の進化を正しくシミュレートしているが、合体や分岐を示す小さな動的だんでは苦戦している。
• CNNモデルは物理ベースのセルオートマトンを模倣することを意図しているが、平坦な層や対称性の増加といった顕著なアーチファクトを生じており、ネットワークアーキテクチャと真のだんダイナミクスとの不一致を示している。
• CNNは物理ベースのモデルに比べ10⁴倍高速にフレームを生成するが、特に簡素化されたセル状態表現のため、時間経過に伴い誤差が蓄積され、だんの形状が歪められる傾向がある。
• GANは、入力フレーム間の時間間隔が35〜71日間隔のときに最も良好な性能を示しており、これは受容 field 内でだんが少なくとも1ピクセル分移動するが、完全な移動は発生しない範囲である。
• 予備的な結果から、CNNが非対称なだんの成長（例えば、実際のだん地域で観察されるような延長）をモデル化できない原因は、風の流れや粒子移動ダイナミクスの簡素化された取り扱いに起因している可能性がある。