[論文レビュー] DeepRain: ConvLSTM Network for Precipitation Prediction using Multichannel Radar Data

Seongchan Kim, Seungkyun Hong+2 more|arXiv (Cornell University)|Nov 7, 2017

Precipitation Measurement and Analysis参考文献 1被引用数 124

ひとこと要約

DeepRainはConvLSTMを3次元の4チャンネルレーダデータに適用して降雨を予測する; 2スタックのConvLSTMはRMSE 11.31を達成し、線形回帰を23%上回る。

ABSTRACT

Accurate rainfall forecasting is critical because it has a great impact on people's social and economic activities. Recent trends on various literatures show that Deep Learning (Neural Network) is a promising methodology to tackle many challenging tasks. In this study, we introduce a brand-new data-driven precipitation prediction model called DeepRain. This model predicts the amount of rainfall from weather radar data, which is three-dimensional and four-channel data, using convolutional LSTM (ConvLSTM). ConvLSTM is a variant of LSTM (Long Short-Term Memory) containing a convolution operation inside the LSTM cell. For the experiment, we used radar reflectivity data for a two-year period whose input is in a time series format in units of 6 min divided into 15 records. The output is the predicted rainfall information for the input data. Experimental results show that two-stacked ConvLSTM reduced RMSE by 23.0% compared to linear regression.

研究の動機と目的

• 社会的・経済的影響のための正確な降雨予測を動機づける。
• レーダデータを用いたデータ駆動モデルを構築して降雨量を予測する。
• 3D・多チャンネルのレーダデータにおける時空間特徴を捉えるためにConvLSTMを活用する。
• ベースラインの線形回帰とFC-LSTMと比較して性能を評価する。

提案手法

• ConvLSTMを用いて3D、4チャンネルのレーダ入力 (101x101x4) を15タイムステップにわたって処理する。
• DeepRainを多対-one予測子として構成し、降雨を1–2時間先まで推定する。
• 空間特徴を捉えるためにLSTMゲート内で畳み込み演算をFC-LSTMの代替として用いる。
• 前処理済みのレーダデータをTFRecord形式に変換してAdam最適化器 (lr=0.001) で学習する。
• 1スタックと2スタックのConvLSTM構成を、線形回帰およびFC-LSTMのベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 ConvLSTMが3D・多チャンネルのレーダデータで従来の線形モデルおよびFC-LSTMを上回る降雨予測が可能か。
• RQ2 ConvLSTM層を積み重ねることでレーダ基づく現在予報の予測精度が改善されるか。
• RQ3 入力次元数（3次元、4チャンネル）が降雨予測性能に与える影響は何か。

主な発見

モデル	RMSE	削減率(%)
線形回帰	14.69	-
DeepRain: FC-LSTM [7]	14.46	1.6
DeepRain: Conv-LSTM(one-Stacked)	11.51	21.6
DeepRain: Conv-LSTM(two-Stacked)	11.31	23.0

• 2スタックのConvLSTMはテストセットでRMSEが11.31。
• 2スタックConvLSTMは線形回帰に対してRMSEを23.0%削減。
• ConvLSTM(1スタック)はRMSEが11.51で、FC-LSTM (14.46) および線形回帰 (14.69) を上回る。
• ConvLSTMはAdam最適化下でFC-LSTMより学習収束が速い（エポック数と損失曲線を報告）。
• ConvLSTMは畳み込みゲートのためFC-LSTMより空間情報をよりよく保持する。
• モデルは15タイムステップ入力サイズ101x101x4を処理して単一の降雨予測を出力する。