[論文レビュー] Machine Learning for Precipitation Nowcasting from Radar Images

Shreya Agrawal, Luke Barrington+4 more|arXiv (Cornell University)|Dec 11, 2019

Meteorological Phenomena and Simulations参考文献 14被引用数 239

ひとこと要約

本論文では降水の今 forecasting を画像-画像翻訳として扱い、U-Netを用いてMRMSレーダー系列から1時間先の1 km解像度の降水を予測し、短期予報で持続性、光学フロー、HRRRを上回る。HRRRは約5時間程度で追い抜かれる。

ABSTRACT

High-resolution nowcasting is an essential tool needed for effective adaptation to climate change, particularly for extreme weather. As Deep Learning (DL) techniques have shown dramatic promise in many domains, including the geosciences, we present an application of DL to the problem of precipitation nowcasting, i.e., high-resolution (1 km x 1 km) short-term (1 hour) predictions of precipitation. We treat forecasting as an image-to-image translation problem and leverage the power of the ubiquitous UNET convolutional neural network. We find this performs favorably when compared to three commonly used models: optical flow, persistence and NOAA's numerical one-hour HRRR nowcasting prediction.

研究の動機と目的

• 気候適応と災害対応を支援する高解像度の今 forecastを動機づける。
• レーダー画像を用いたデータ駆動で低遅延の今 forecast モデルを開発する。
• CNNベースの今 forecast を伝統的手法（持続性、光学フロー、HRRR）と比較する。
• continental US 全域の1 km x 1 kmタイルで動作し、雨量のデータ不足を雨タイルのオーバーサンプリングで対処する。

提案手法

• 今 forecast をU-Net CNNを用いた画像-画像翻訳として扱う。
• 1時間分、10分おきに収集した7枚のMRMS画像を入力とする。チャネルには時刻情報と画素の緯度経度を含む。
• 最後の入力画像の1時間後のMRMS画像を出力し、降水閾値へ量子化。
• ラベル画像は4レンジに量子化：[0,0.1),[0.1,1.0),[1.0,2.5),[2.5,∞)。
• ピクセル毎のクロスエントロピー損失とADADELTA最適化を用い、ブロック内で長いスキップ接続と短いスキップ接続を取り入れる。

Figure 1: Sample MRMS Image and Predicted Precipitation

実験結果

リサーチクエスチョン

• RQ1 短い降水履歴から1 km解像度で1時間先の降水を正確に予測できるCNNベースのU-Netは可能か？
• RQ2 CNNベースの今 forecast は1時間予報でMRMSの持続性、光学フロー、HRRRとどう比較されるか？
• RQ3 タイルベースの訓練と雨域のオーバーサンプリングが予測性能に与える影響は？
• RQ4 時刻情報や位置情報などの入力モダリティは今 forecast の精度を向上させるか？

主な発見

• CNNベースのモデルは短期今 forecastで持続性、光学フロー、HRRRの1時間予報を上回る。
• 1時間予報においては、HRRRはまだCNNアプローチを上回らず、HRRRの性能はより長い予報ウィンドウ（約5時間）でCNNに対して改善する。
• 本手法は大陸米国全域を1 km x 1 kmタイルで用い、80%のタイルに雨を含ませるようオーバーサンプリングし、クラス不均衡に対処。
• 予測はピクセル毎の閾値ベースの確率としてフレーミングされ、降水量の明示的な確率的表現を可能にしている。
• 2018年のMRMSデータで訓練し、2017年と2019年の半期で検証し、研究期間内での年を跨いだ一般化を示す。

Figure 2: Precision-Recall Curves For Rain Prediction