[論文レビュー] Exploiting deep learning in forecasting the occurrence of severe haze in Southeast Asia

Chien Wang|arXiv (Cornell University)|Mar 12, 2020

Meteorological Phenomena and Simulations参考文献 19被引用数 5

ひとこと要約

本論文では、東南アジア、特にシンガポールにおける深刻なス smog 予測のための深層学習フレームワークを提案する。35年分の気象および水文データを用いて訓練されたモデルは、スモッグ日と非スモッグ日を区別する高い精度を達成しているが、まれな／特異なパターンのため、誤って否定（false negatives）を多く発生させる問題を抱えている。

ABSTRACT

Severe haze or low visibility event caused by particulate pollution has become a serious environmental issue in Southeast Asia. A forecasting framework of such events based on deep convolutional neural networks has been developed. The framework has been trained using time sequential maps of up to 18 meteorological and hydrological variables alongside surface visibility data over past 35 years. In forecasting haze versus no-haze situations in Singapore, the trained machine has achieved a good overall accuracy that easily exceeds that of the no-skill blinded forecast based on haze occurrence frequency. However, the machine still produces a relatively high number of missing forecasts (false negative for haze events), likely owing to its lack of experience in identifying atypical patterns. Nevertheless, this effort has demonstrated a promising prospect of using deep learning algorithms to predict the occurrence of extreme environmental and weather events, and to advance knowledge about these still poorly known phenomena.

研究の動機と目的

• 深層学習を用いて東南アジアにおける深刻なスモッグイベントのデータ駆動型予測システムを開発すること。
• 歴史的環境データを活用することで、従来のスコアが得られないベースライン予測を改善すること。
• 畳み込みニューラルネットワーク（CNN）が、深刻なスモッグのような極端な環境イベントを検出できる能力を評価すること。
• 特に特異なスモッグイベントにおける誤って否定（false negatives）の主な要因を特定すること。
• 複雑な低視界汚染イベントを予測するための深層学習の実現可能性を示すこと。

提案手法

• 18種類の気象および水文変数の時系列的マップを入力として、深層畳み込みニューラルネットワーク（CNN）を訓練する。
• 入力データは35年分にわたり、地表面の視程観測値を正例（ground truth）として含む。
• モデルは環境変数の空間的および時間的パターンを処理し、スモッグ／非スモッグ状態を分類する。
• モデルの性能は、過去のスモッグ頻度に基づくスコアが得られないベースライン予測と比較して評価される。
• フレームワークは、スモッグ形成に影響を与える地域的ダイナミクスを捉えるために、時空間的データ表現を用いる。
• 評価指標には、全体の正解率、真正陽性率、偽陰性率が含まれる。

実験結果

リサーチクエスチョン

• RQ1 長期間の環境データを用いた深層学習モデルは、東南アジアにおける深刻なスモッグイベントを効果的に予測できるか？
• RQ2 モデルの正解率は、過去の発生頻度に基づくスコアが得られないベースライン予測と比べてどの程度高いか？
• RQ3 モデルの主な失敗モードは何か、特にまれまたは特異なスモッグイベントの検出においては？
• RQ4 深層学習は、深刻なスモッグを引き起こす大気および水文変数の複雑で非線形な関係をどの程度捉えることができるか？
• RQ5 気象パターンの異常性に十分に触れていなくても、モデルは将来のスモッグイベントに一般化できるか？

主な発見

• 深層学習モデルは、スモッグ発生頻度に基づくスコアが得られないベースライン予測を著しく上回る全体の正解率を達成している。
• 実際にスモッグが発生した場合に、モデルは良好な性能を示しており、通常の条件下でのパターン認識が有効であることが示された。
• 全体の正解率は高いものの、偽陰性（実際にスモッグが発生したが予測されなかった）の数が相対的に多く、予測漏れが生じている。
• 高い偽陰性率は、スモッグに関連する特異的またはまれな気象パターンにモデルが十分に触れていなかったことに起因する。
• 結果から、データの疎らさやパターンの新奇性に課題が伴う中でも、深層学習が極端な環境イベントの予測に有望なツールであることが示唆された。
• 本研究は、地域的スモッグ現象のように理解が不十分な現象について、深層学習が理解を深める可能性を示している。