[論文レビュー] Digital Typhoon: Long-term Satellite Image Dataset for the Spatio-Temporal Modeling of Tropical Cyclones

Asanobu Kitamoto, Jared Hwang+4 more|arXiv (Cornell University)|Nov 5, 2023

Tropical and Extratropical Cyclones Research被引用数 5

ひとこと要約

本論文は、西北太平洋の熱帯低気圧の40年以上にわたる均質な赤外線衛星画像データセット「Digital Typhoon」を紹介する。このデータセットは、ランバート円周方位等積投影法を用い、衛星間補正を施して、一貫性のある空間時間的モデリングを可能にする。このデータセットにより、台風の強度予測、再解析、分析のためのディープラーニングモデルのベンチマークが可能となり、データの複雑さと多様性のため、最先端のモデルにとって高い挑戦性を示している。

ABSTRACT

This paper presents the official release of the Digital Typhoon dataset, the longest typhoon satellite image dataset for 40+ years aimed at benchmarking machine learning models for long-term spatio-temporal data. To build the dataset, we developed a workflow to create an infrared typhoon-centered image for cropping using Lambert azimuthal equal-area projection referring to the best track data. We also address data quality issues such as inter-satellite calibration to create a homogeneous dataset. To take advantage of the dataset, we organized machine learning tasks by the types and targets of inference, with other tasks for meteorological analysis, societal impact, and climate change. The benchmarking results on the analysis, forecasting, and reanalysis for the intensity suggest that the dataset is challenging for recent deep learning models, due to many choices that affect the performance of various models. This dataset reduces the barrier for machine learning researchers to meet large-scale real-world events called tropical cyclones and develop machine learning models that may contribute to advancing scientific knowledge on tropical cyclones as well as solving societal and sustainability issues such as disaster reduction and climate change. The dataset is publicly available at http://agora.ex.nii.ac.jp/digital-typhoon/dataset/ and https://github.com/kitamoto-lab/digital-typhoon/.

研究の動機と目的

• 機械学習研究者が熱帯低気圧を研究するための障壁を低減するため、大規模で公開可能で、適切に処理された衛星画像データセットを提供すること。
• モデルのトレーニングと評価の一貫性を確保するため、衛星間補正や画像均質化といったデータ品質の問題に対処すること。
• 長期的な台風データを用いた、強度予測、再解析、社会的影響モデリングを含む多様な機械学習タスクを支援すること。
• 実世界の台風イベントにおけるディープラーニングモデルの評価のための再現可能で保守可能なベンチマークを確立すること。
• 気象規則や専門知識に配慮することで、台風予報における機械学習の責任ある利用を促進すること。

提案手法

• データセットは、日本気象庁（JMA）のベストトラックデータに基づき、ランバート円周方位等積投影法を用いて台風中心に衛星画像をクロップすることで構築された。
• 複数の衛星および時間帯にわたる画像の均質性を確保するための体系的なデータ処理パイプラインが開発され、放射能差を低減するための衛星間補正が含まれる。
• データセットは40年以上にわたる台風観測をカバーしており、2022年シーズンまでデータを含み、2023年には更新が予定されており、1つの54GBのZIPファイルに格納されている。
• データセットはCC BYライセンスで公開されており、DIAS、GitHub、Hugging Faceなど複数のプラットフォームからアクセス可能で、関連コードとモデル重みも併記されている。
• 1999年以降、長期的なデータ処理パイプラインを維持しており、データセットの持続可能性と再現性を確保している。
• 強度予測、再解析、分析のためのベンチマークタスクが設計され、結果から現在のディープラーニングモデルにとって高い挑戦性が示された。

実験結果

リサーチクエスチョン

• RQ1 複数の衛星と数十年にわたる期間にわたり、熱帯低気圧モデリングに適した長期的かつ均質な衛星画像データセットをどのように体系的に構築できるか？
• RQ2 この長期的で高品質なデータセットでトレーニングされた現在のディープラーニングモデルは、台風の空間時間的モデリングにおいてどの程度の困難さを感じるか？
• RQ3 衛星間補正の差異といったデータ品質のばらつきが、台風強度推定におけるモデルの性能と信頼性にどのように影響するか？
• RQ4 長期的な赤外線衛星画像を用いた台風強度予測において、最も効果的な機械学習アプローチは何か？
• RQ5 公的配布が制限される予報に関する法的・社会的制約を鑑みるとき、台風予報における機械学習の責任ある利用をどのように確保できるか？

主な発見

• Digital Typhoonデータセットは40年以上にわたる台風観測をカバーしており、2022年シーズンまでデータを含み、毎年最新シーズンを追加する更新が予定されている。
• データセットは、台風中心のクロップ処理と衛星間補正を含む標準化されたワークフローを経て処理されており、機械学習に適した均質な画像コレクションが得られている。
• ベンチマークの結果から、最近のディープラーニングモデルがこのデータセットで顕著な困難さを示しており、その複雑さと、きびしいベンチマークとしての適性が裏付けられている。
• データセットはDIAS（DOI: 10.20783/DIAS.664）、GitHub、Hugging Faceを通じてCC BYライセンスで公開されており、関連コードとモデル重みも併記されている。
• 本プロジェクトは1999年以降、堅牢なデータ処理パイプラインを維持しており、データセットの長期的持続可能性と再現性を確保している。
• 今後の拡張では、第三世代衛星向けのリアルタイムまたは高解像度データセットの提供が予定されており、ユーザーの柔軟性を考慮した別々のZIPファイルでの提供が想定されている。