[論文レビュー] GlobeNet: Convolutional Neural Networks for Typhoon Eye Tracking from Remote Sensing Imagery

Seungkyun Hong, Seongchan Kim+2 more|arXiv (Cornell University)|Aug 11, 2017

Meteorological Phenomena and Simulations参考文献 5被引用数 26

ひとこと要約

本稿では、マルチチャネル赤外線（IR）衛星画像からトロピカル低気圧の目をエンドツーエンドで追跡するための深層畳み込みニューラルネットワーク（CNN）フレームワーク、GlobeNetを提案する。インセプションモジュールを備えた複雑なCNNアーキテクチャと最適化された活性化関数（ELU/Tanh）を活用することで、モデルは緯度・経度予測においてRMSEが0.02に達し、大円距離で約74.53 kmに相当する精度を達成し、単純なモデルを著しく上回った。

ABSTRACT

Advances in remote sensing technologies have made it possible to use high-resolution visual data for weather observation and forecasting tasks. We propose the use of multi-layer neural networks for understanding complex atmospheric dynamics based on multichannel satellite images. The capability of our model was evaluated by using a linear regression task for single typhoon coordinates prediction. A specific combination of models and different activation policies enabled us to obtain an interesting prediction result in the northeastern hemisphere (ENH).

研究の動機と目的

• 手動による特徴工学を伴わず、生のリモートセンシング衛星画像から直接トロピカル低気圧の目座標を予測できる深層学習モデルの開発を目的とする。
• 高解像度のIR画像から複雑な大気の動態を捉えるために、異なるCNNアーキテクチャと活性化関数の有効性を評価することを目的とする。
• 従来の数値予報モデルと比較して、最小限の計算負荷で正確かつリアルタイムのトロピカル低気圧の目追跡を実現することを目的とする。
• 大規模なグローバル衛星データを用いた視覚的気象現象予測におけるエンドツーエンド深層学習の可能性を検討することを目的とする。

提案手法

• モデルは、空間解像度を80°緯度と150°経度の範囲で[0,1]に正規化した、NHWCフォーマットの4チャネル赤外線（IR）衛星画像を入力として処理する。
• 2種類の異なるCNNアーキテクチャを評価する：雲のパターンから階層的な空間特徴を抽出するための複数のインセプションモジュールを備えた複雑なCNNと、基本的なCNNである。
• 各畳み込みブロックでは、ReLU、LeakyReLU、またはELU活性化関数を適用し、その後に最大プーリングを適用して空間次元を縮小しながら特徴の深さを保持する。
• 最終的な特徴マップはフラット化され、非線形活性化関数を備えた3つの全結合（ドロップアウトなし）層を経て、線形回帰のための単一のシグモイド出力層に接続される。
• 学習には、学習率1e-5を用いたAdam最適化手法を採用し、KerasとTensorFlowバックエンドを用いて9:1のトレーニング対テスト分割でモデルを学習する。
• モデルの性能は、2011年から2016年までの2,674枚の画像を対象に、予測されたトロピカル低気圧中心座標と真値との間のRMSEを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 高解像度のマルチスペクトルIR衛星画像から直接、トロピカル低気圧の目を正確に局所化できる深層CNNは構築可能か？
• RQ2 ReLU、LeakyReLU、ELU、シグモイド、Tanhといった異なる活性化関数は、CNNベースのモデルにおけるトロピカル低気圧中心座標予測の精度にどのように影響するか？
• RQ3 インセプションモジュールの導入は、基本的なCNNアーキテクチャと比較して、特徴抽出と予測性能を向上させるか？
• RQ4 エンドツーエンドの深層学習は、従来の数値予報モデルと比較して著しく低い計算コストで競争力のある予測精度を達成できるか？

主な発見

• 畳み込み層にELU活性化関数、全結合層にTanh活性化関数を用いた複雑なCNNが最良の性能を示し、正規化座標においてRMSEが0.02を達成した。
• このRMSEは、大円距離で約74.53 kmの予測精度に相当し、ベースラインモデルと比較して顕著な向上を示した。
• 複雑なCNNは、より高いメモリ消費量を要するにもかかわらず、すべての活性化関数の組み合わせにおいて、基本的なCNNを一貫して上回った。
• 最も性能が低かったモデル、すなわち基本的なCNNにReLU/Sigmoidを組み合わせたモデルは、RMSEが0.065に達し、約362.91 kmの誤差を示した。これは、アーキテクチャ設計と活性化関数選定の重要性を強調している。
• すべてのモデルが1サンプルあたり数秒で推論を完了したため、リアルタイムまたはニアリアルタイムのトロピカル低気圧追跡用途に適していることが示された。
• 結果から、深層CNNが生の衛星画像から意味のある大気的特徴を効果的に抽出し、正確なトロピカル低気圧の目局所化を実現できることを示した。