[論文レビュー] Precipitation Nowcasting with Star-Bridge Networks

Yuan Cao, Qiuying Li+5 more|arXiv (Cornell University)|Jul 18, 2019

Precipitation Measurement and Analysis参考文献 9被引用数 19

ひとこと要約

本論文は、短時間の降水量予測を向上させるために、多カラム構造と星型の情報ブリッジを備えた新しい再帰的ニューラルネットワーク、StarBriNetを提案する。異なる降水量の強度と持続時間を別々に処理し、臨界的成功指標（CSI）を最適化するためのマルチシグモイド損失関数を用い、層間の勾配伝搬を強化することで、中国東部のレーダーエコー・データセットにおいて最先端の性能を達成した。CSIは64.4%、MSEは6.18を記録した。

ABSTRACT

Precipitation nowcasting, which aims to precisely predict the short-term rainfall intensity of a local region, is gaining increasing attention in the artificial intelligence community. Existing deep learning-based algorithms use a single network to process various rainfall intensities together, compromising the predictive accuracy. Therefore, this paper proposes a novel recurrent neural network (RNN) based star-bridge network (StarBriNet) for precipitation nowcasting. The novelty of this work lies in the following three aspects. First, the proposed network comprises multiple sub-networks to deal with different rainfall intensities and duration separately, which can significantly improve the model performance. Second, we propose a star-shaped information bridge to enhance the information flow across RNN layers. Third, we introduce a multi-sigmoid loss function to take the precipitation nowcasting criterion into account. Experimental results demonstrate superior performance for precipitation nowcasting over existing algorithms, including the state-of-the-art one, on a natural radar echo dataset.

研究の動機と目的

• 既存のディーブラーニングモデルがすべての降水量強度を均一に扱うという限界を解消し、予測精度を損なうのを防ぐ。
• 星型の情報ブリッジを導入することで、降水量予測におけるRNN層間の情報伝達を強化する。
• 気象基準に配慮した損失関数を用いてモデル学習を最適化し、中程度から強い降水量の正しく予測することを優先する。
• 多カラムエンコーダ構造を用いて、異なる降水量の強度と持続時間をモデル化することで、短期的な降水量予測の性能を向上させる。

提案手法

• 異なる降水量の強度と持続時間を別々に処理できるマルチカラムエンコーダ構造を採用し、多様な降水量パターンに対する予測精度を向上させる。
• 複数のRNN層間の勾配および特徴量の流れを強化するため、星型の情報ブリッジを導入し、より良い長期依存性のモデル化を可能にする。
• 臨界的成功指標（CSI）の指標に合わせてトレーニングを最適化するため、誤検出と見逃しを低減することを重視したマルチシグモイド損失関数を設計する。
• ネットワークは2層のエンコーディング・フォーキャスティング構造を採用し、StarBriLSTMユニットを用いる。各ユニットのカーネルサイズは(3,3)であり、特徴量のダウンサンプリングにはストライド2の2次元畳み込み、アップサンプリングには逆畳み込みを適用する。
• 初期段階ではパッチリサイズを用いるが、大規模カーネル畳み込みに相当するのを避けるために、代替のダウンサンプリング／アップサンプリング戦略に置き換える。
• ADAM最適化アルゴリズムを用い、ベース学習率0.002、バッチサイズ32、4枚のNVIDIA GTX 1080Ti GPUを用いて20,000回のトレーニングイテレーションでモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 異なる降水量の強度と持続時間を別々に処理するマルチカラムRNNアーキテクチャが、予測精度を向上させることができるか？
• RQ2 星型の情報ブリッジが、降水量予測におけるRNN層間の勾配および特徴量の流れを顕著に向上させるか？
• RQ3 CSI性能を重視するマルチシグモイド損失関数が、降水量予測において標準的な回帰損失関数を上回る性能を示せるか？
• RQ4 実際のレーダー反射エコー・データにおいて、提案されたStarBriNetはPredRNN++ や ConvLSTM といった最先端モデルと比較してどのように性能を発揮するか？

主な発見

• StarBriNetは中国東部のレーダー反射エコー・データセットにおいて、CSIスコア64.4%を達成し、以前の最先端手法（PredRNN）の63.1%を顕著に上回った。
• MSEは6.18を記録し、ベースラインモデルのConvLSTM（MSE: 6.31）やPredRNN（MSE: 7.03）と比較して、回帰精度が向上した。
• アブレーションスタディの結果、マルチカラムエンコーダ、星型ブリッジ、マルチシグモイド損失の組み合わせが最良の性能を示し、すべての要素を組み合わせた際にはCSIが1.7ポイント上昇した。
• マルチシグモイド損失は、誤検出と見逃しを低減することで、運用上の気象予測にとって重要な要因に焦点を当てた。
• 可視化結果から、特に中程度の降水量において、ぼやけやすいベースラインと比較して、StarBriNetはより正確で空間的に整合性のある降水領域を生成した。
• マルチシグモイド損失のスケール要因を段階的に増加させた実験では、高い値が初期トレーニングの感度を向上させるが、耐性が低下することが判明し、最適な性能は中間の値で得られた。