[論文レビュー] Nowcasting-Nets: Deep Neural Network Structures for Precipitation Nowcasting Using IMERG

Mohammad Reza Ehsani, Ariyan Zarei+3 more|arXiv (Cornell University)|Aug 16, 2021

Meteorological Phenomena and Simulations参考文献 67被引用数 13

ひとこと要約

Nowcasting-Netsは、IMERG衛星降雨データを用いて、最大4.5時間の予報リードタイムを持つ短期降雨予報を改善する2つのディープラーニングアーキテクチャ―—再帰的および畳み込み型ネットワーク—を導入する。畳み込み型リアルタイム予報ネットワークにリーマンヘッドを備えたCNC-Rは、米国における降雨予報の正確性において、ベンチマーク比で25〜46%の向上を達成した。

ABSTRACT

Accurate and timely estimation of precipitation is critical for issuing hazard warnings (e.g., for flash floods or landslides). Current remotely sensed precipitation products have a few hours of latency, associated with the acquisition and processing of satellite data. By applying a robust nowcasting system to these products, it is (in principle) possible to reduce this latency and improve their applicability, value, and impact. However, the development of such a system is complicated by the chaotic nature of the atmosphere, and the consequent rapid changes that can occur in the structures of precipitation systems In this work, we develop two approaches (hereafter referred to as Nowcasting-Nets) that use Recurrent and Convolutional deep neural network structures to address the challenge of precipitation nowcasting. A total of five models are trained using Global Precipitation Measurement (GPM) Integrated Multi-satellitE Retrievals for GPM (IMERG) precipitation data over the Eastern Contiguous United States (CONUS) and then tested against independent data for the Eastern and Western CONUS. The models were designed to provide forecasts with a lead time of up to 1.5 hours and, by using a feedback loop approach, the ability of the models to extend the forecast time to 4.5 hours was also investigated. Model performance was compared against the Random Forest (RF) and Linear Regression (LR) machine learning methods, and also against a persistence benchmark (BM) that used the most recent observation as the forecast. Independent IMERG observations were used as a reference, and experiments were conducted to examine both overall statistics and case studies involving specific precipitation events. Overall, the forecasts provided by the Nowcasting-Net models are superior, with the Convolutional Nowcasting Network with Residual Head (CNC-R) achieving 25%, 28%, and 46% improvement in the test ...

研究の動機と目的

• IMERGデータにリアルタイムのリアルタイム予報システムを適用することで、リモートセンシングによる降雨推定の遅延を低減すること。
• 降雨システムの混沌として急速に変化する性質に対処するため、ディープラーニングモデルを適用すること。
• 最大4.5時間のリードタイムを有する正確な短期降雨予報が可能なディープニューラルネットワークの開発と評価すること。
• Nowcasting-Netsの性能を、従来の機械学習モデル（ランダムフォレスト、線形回帰）およびパーシステンスベンチマークと比較すること。
• 東部および西部の米国地域における独立したIMERG観測を用いて、モデルの性能を検証すること。

提案手法

• 再帰的リアルタイム予報ネットワーク（RNNベース）および畳み込み型リアルタイム予報ネットワーク（CNNベース）にリーマンヘッドを備えたCNC-Rの2つのディープニューラルネットワークアーキテクチャを設計する。
• フィードバックループを用いて、1.5時間を超える予報を延長するため、東部コンティネンタルアメリカ（CONUS）におけるIMERG降雨データを用いてモデルを学習する。
• 時空間的モデリングアプローチを採用し、衛星由来の降雨フィールドを逐次処理することで、変化する降雨パターンを捉える。
• 高解像度の降雨フィールドにおける特徴表現の向上とトレーニングの安定化を図るため、CNC-Rモデルにリーマン学習ヘッドを実装する。
• 各ステップでのモデル予測出力を次の予報ステップの入力としてフィードバックするフィードバックループ機構を適用し、4.5時間までの延長予報を可能にする。
• 評価のための基準として、バイアス、相関、およびクリティカル・サクセス・インデックス（CSI）を含む標準指標を用い、独立したIMERG観測を真値として使用する。

実験結果

リサーチクエスチョン

• RQ1 IMERG衛星データに適用したディープラーニングネットワークは、降雨リアルタイム予報における遅延を効果的に低減できるか？
• RQ2 米国における短期降雨予報において、RNNベースおよびCNNベースのアーキテクチャの性能はどのように比較されるか？
• RQ3 フィードバックループ機構は、1.5時間を超える予報リードタイムをどれほど延長可能であり、正確性を維持できるか？
• RQ4 Nowcasting-Netsは、従来の機械学習モデル（ランダムフォレスト、線形回帰）およびパーシステンスベンチマークと比較して、予報正確性においてどのように差をつけるか？
• RQ5 多様な降雨現象および地理的地域（東部対西部CONUS）におけるモデルの性能はいかがなっているか？

主な発見

• リーマンヘッドを備えた畳み込み型リアルタイム予報ネットワーク（CNC-R）は、1.5時間リードタイムでパーシステンスベンチマーク比でCSI（クリティカル・サクセス・インデックス）が25%向上した。
• 1.5時間リードタイムにおいて、CNC-Rはランダムフォレストモデル比でCSIが28%向上し、線形回帰モデル比で46%向上した。
• フィードバックループ機構により、4.5時間までの予報リードタイムが成功裏に延長されたが、不確実性の増大にもかかわらず、妥当な予報品質を維持した。
• CNC-Rモデルは、全般的な統計指標および特定の積乱雲現象を含むケーススタディにおいて、すべてのベースラインを上回った。
• 東部CONUSでは西部CONUSよりも一貫して高い性能を示した。これは、東部に頻度が高く組織化された降雨システムが存在するためと推定される。
• 本研究は、IMERGデータを学習に用いたディープラーニングモデルが、遅延する衛星処理に依存することを著しく低減させ、リアルタイム降雨リアルタイム予報を顕著に向上させられることを示している。