[論文レビュー] Precipitation nowcasting using a stochastic variational frame predictor with learned prior distribution

Alexander Bihlo|arXiv (Cornell University)|May 13, 2019

Precipitation Measurement and Analysis被引用数 28

ひとこと要約

本論文では、レーダー反射率地図を用いた降水短時間予報のため、学習された事前分布を備えた確率的変分フレーム予測モデルを提案する。この手法は、標準的な畳み込みLSTMに比べて長期予測の鮮明さを向上させる。モデルは過去のフレームから動的で変化する事前分布を学習し、不確実性と物理的進化をモデル化する。その結果、ベースラインモデルと比較して、構造的類似度（SSIM）の低下が著しく小さい2.5時間予報が得られ、より鮮明で正確な予測が可能になる。

ABSTRACT

We propose the use of a stochastic variational frame prediction deep neural network with a learned prior distribution trained on two-dimensional rain radar reflectivity maps for precipitation nowcasting with lead times of up to 2 1/2 hours. We present a comparison to a standard convolutional LSTM network and assess the evolution of the structural similarity index for both methods. Case studies are presented that illustrate that the novel methodology can yield meaningful forecasts without excessive blur for the time horizons of interest.

研究の動機と目的

• 短時間降水予報の不適切な定式化（複数の未来状態が物理的に妥当である可能性がある）に対処すること。
• 特に、将来のフレームがぼやける傾向がある決定論的畳み込みLSTMモデルの限界を超えて、長期降水予報を改善すること。
• 履歴レーダーデータからフレーム依存の事前分布を学習することで、降水の進化における不確実性を組み込むこと。
• 最小限の事前処理でエンドツーエンドで訓練可能なディープラーニングモデルを構築し、リアルタイム運用に適すること。
• 確率的サンプリングにより複数の妥当な将来の降水シナリオを生成することで、アンサンブル予測を可能にすること。

提案手法

• モデルは、条件付き変分オートエンコーダに類似したエンコーダ–予測–デコーダアーキテクチャを採用し、再帰的推論ネットワークを用いて潜在空間の推論を行う。
• 確率的予測ヘッドは、多次元正規事前分布 $ p_{\text{prior}}(\mathbf{z}_t|\mathbf{x}_{1:i-1}) $ からサンプリングし、これは過去のレーダーフレームから学習され、進化する物理的ダイナミクスを符号化する。
• 事前分布は、潜在変数の推論分布 $ q_{\text{inf}}(\mathbf{z}_i|\mathbf{x}_{1:i}) $ と一致させるために、Kullback–Leibler散発（KL）項を含む変分下界の目的関数を用いて、推論ネットワークと同時に学習される。
• モデルは2次元レーダー反射率マップの系列を用いて学習され、意味のある潜在表現を保証するため、再構成損失とKL散発正則化項が用いられる。
• 予測は、学習された事前分布からのサンプリングとデコーダによる変換によって行われ、複数の実現が不確実性の評価に用いられる。
• このフレームワークにより、広範な事前処理を要せずエンドツーエンドで訓練可能であり、確率的予測が事前分布からのサンプリングによって可能になる。

実験結果

リサーチクエスチョン

• RQ1 学習された事前分布を備えた確率的変分フレーム予測モデルは、決定論的畳み込みLSTMに比べて、長期降水予報の精度を向上させることができるか？
• RQ2 学習された事前分布は、時間経過に伴う降水セルの物理的進化則を効果的に符号化しているか？
• RQ3 2.5時間までの延長予報時間において、モデルの構造的類似度（SSIM）はどの程度の性能を示すか？
• RQ4 決定論的動画予測モデルに一般的に見られるぼやけのアーチファクトは、どの程度軽減されるか？
• RQ5 モデルは、嵐の発達における不確実性を反映した、複数の妥当な将来の降水シナリオを生成できるか？

主な発見

• 確率的変分フレーム予測モデルは、フレーム6以降の全予報時間軸において、標準的な畳み込みLSTMよりも顕著に高い構造的類似度（SSIM）スコアを達成し、劣化率も著しく低いことが確認された。
• 畳み込みLSTMは最初の2フレームでは本モデルを上回ったが、以降の予報ではSSIMが急激に低下しており、後続フレームでの著しいぼやけが確認された。
• 本手法は、特に移流型および対流型の降水システムにおいて、より鮮明で現実的な降水セルの進化を再現した。このことは、事例研究によって裏付けられた。
• 10サンプルの平均化によって得られた複数の実現は、不確実性の意味のある定量化を示しており、決定論的LSTMが唯一の固定予測しか出力しないのとは対照的であった。
• 学習された事前分布は、降水セルの時間的ダイナミクスを効果的に捉えており、より物理的に整合性のある長期予測を可能にした。
• 実際の訓練において、標準的な畳み込みLSTMよりも本モデルは訓練が容易であることが判明した。後者はより長い訓練サイクルを要した。