[論文レビュー] Precipitaion Nowcasting using Deep Neural Network

Mohamed Chafik Bakkay, Mathieu Serrurier+9 more|arXiv (Cornell University)|Mar 24, 2022

Meteorological Phenomena and Simulations被引用数 4

ひとこと要約

本論文は、2次元レーダー降水量マップを用いて、U-Net、ConvLSTM、SVG-LPモデルを組み合わせた深層学習フレームワークを提案する。空間的文脈を保持するためのピクセル抽出手法と、WSSIM + WMSEの重み付き組み合わせ損失関数を導入し、ぼんやりとした予測を低減するとともに、降水量ゼロのピクセルの影響を最小限に抑えることで、特にU-Netとハイブリッド損失関数を用いることで、優れた時空間的予測精度を達成した。

ABSTRACT

Precipitation nowcasting is of great importance for weather forecast users, for activities ranging from outdoor activities and sports competitions to airport traffic management. In contrast to long-term precipitation forecasts which are traditionally obtained from numerical models, precipitation nowcasting needs to be very fast. It is therefore more challenging to obtain because of this time constraint. Recently, many machine learning based methods had been proposed. We propose the use three popular deep learning models (U-net, ConvLSTM and SVG-LP) trained on two-dimensional precipitation maps for precipitation nowcasting. We proposed an algorithm for patch extraction to obtain high resolution precipitation maps. We proposed a loss function to solve the blurry image issue and to reduce the influence of zero value pixels in precipitation maps.

研究の動機と目的

• 従来の数値モデルが計算コストの高さのため満たせない厳密な時間制約のもとで、高速かつ高分解能の降水量短時間予報を実現すること。
• レーダ観測降水量に内在する複雑な時空間的パターンを捉える深層学習モデルを活用し、予測精度を向上させること。
• 標準的なリサイズ処理による解像度の低下を回避するため、隣接情報と併せて完全解像度の空間的文脈を保持するピクセル抽出アルゴリズムを導入すること。
• 深層学習予測で一般的に見られるぼんやりとした出力と、降水量ゼロのピクセルによるバイアスを低減するため、WSSIMとWMSEを組み合わせた重み付きハイブリッド損失関数を設計すること。

提案手法

• モデルは分類ではなく連続的な降水量値の回帰を学習対象とすることで、実数値の降水量レートを出力可能にする。
• ピクセル抽出アルゴリズムにより、128×128のターゲットピクセル領域を囲む200ピクセルの補間された周辺領域を含む256×256の入力ピクセル領域を生成する。
• 構造的類似度（SSIM）と重み付き平均二乗誤差（WMSE）を組み合わせた新規損失関数を設計し、ピクセル単位の重み付けを施して、降水量ゼロの値の影響を低減する。
• 損失関数は、構造的忠実性（SSIMによる向上）とぼんやりした出力を低減する役割を果たす一方で、レーダーマップに頻繁に存在するゼロ値による過剰なペナルティを回避する重み付け機構を備える。
• U-Net（CNNベース）、ConvLSTM（RNNベース）、SVG-LP（確率的RNNベース）の3つのモデルを評価し、1～1.5時間先の降水量時系列予測の能力を検証した。

実験結果

リサーチクエスチョン

• RQ1 GPUメモリの飽和を引き起こさずに、ピクセルベースの入力戦略が降水量短時間予報における高分解能空間的情報を保持できるか？
• RQ2 標準的なMSEやSSIM単体と比較して、WSSIMとWMSEの組み合わせ損失関数が、予測のシャープネスを向上させ、ぼんやりとした出力を低減できるか？
• RQ3 U-Net、ConvLSTM、SVG-LPといった異なる深層学習アーキテクチャは、降水量場の時空間的変化予測において、どのように性能を発揮するか？
• RQ4 損失関数への重み付けが、降水量ゼロのピクセルがモデル学習および予測品質に与える影響をどの程度低減できるか？

主な発見

• U-Netモデルは、高強度降水量イベントの予測において、ConvLSTMおよびSVG-LPを上回り、正確な降雨帯の形状を維持する能力に優れていた。
• WSSIM損失関数は、WMSEと比較して、5 mm/hを超える高降水量領域を正確な空間的位置に再現する能力に優れており、1 mm/hの閾値におけるF1スコアが最高を記録した。
• WSSIMとWMSEの組み合わせ損失（WSSIM+WMSE）が、構造的忠実性とピクセル単位の正確性の両方をバランスさせた最良の全体的性能を示した。これは定性的および定量的評価両方で確認された。
• 200ピクセルの周辺情報を含むピクセル抽出法は、64ピクセルのマージンのみを有するベースライン手法と比較して、MAEおよびF1スコアを顕著に向上させ、文脈的な空間的入力の重要性を示した。
• ConvLSTMは後続のフレームでぼんやりとした出力を示す傾向にあり、SVG-LPは誤検出が多く、より精度の低い予測を示した。これは、決定論的気象力学を処理する能力に限界があることを示している。