[論文レビュー] Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network

Vikas Bajpai, Anukriti Bansal+2 more|arXiv (Cornell University)|Oct 22, 2020

Hydrological Forecasting Using AI被引用数 4

ひとこと要約

本論文は、71年分の歴史的降水量データを用いて、インド・ラージャスターン地方の日次降水量を予測するための深層かつ広範な降水量予測モデル（DWRPM）を提案する。このモデルは畳み込み特徴抽出と多層パーセプトロン（MLP）を組み合わせており、MLP、LSTM、1D-CNNよりも優れた性能を示し、158か所の雨量観測所で平均絶対誤差（MAE）が0.7765、平均二乗誤差（RMSE）が2.1716を記録した。これは、多様な地理的領域にわたる強力な一般化能力を示している。

ABSTRACT

Rainfall is a natural process which is of utmost importance in various areas including water cycle, ground water recharging, disaster management and economic cycle. Accurate prediction of rainfall intensity is a challenging task and its exact prediction helps in every aspect. In this paper, we propose a deep and wide rainfall prediction model (DWRPM) and evaluate its effectiveness to predict rainfall in Indian state of Rajasthan using historical time-series data. For wide network, instead of using rainfall intensity values directly, we are using features obtained after applying a convolutional layer. For deep part, a multi-layer perceptron (MLP) is used. Information of geographical parameters (latitude and longitude) are included in a unique way. It gives the model a generalization ability, which helps a single model to make rainfall predictions in different geographical conditions. We compare our results with various deep-learning approaches like MLP, LSTM and CNN, which are observed to work well in sequence-based predictions. Experimental analysis and comparison shows the applicability of our proposed method for rainfall prediction in Rajasthan.

研究の動機と目的

• ラージャスターン地方の強力な降水量予測モデルの開発。同地域はモンスーンに強く依存しており、干ばつや洪水の影響を受けやすい。
• 広範かつ深層学習アーキテクチャを統合することで、多様な地理的領域にわたる一般化性能を向上させる。
• 1957年から2017年までの158か所のラージャスターン地方の33地域における日次降水量の歴史的データを用いて、モデルの性能を評価する。
• DWRPMをMLP、LSTM、1D-CNNといった標準的な深層学習ベースラインと比較し、系列ベースの降水量予測において性能を評価する。
• モデルが、平野、高原、砂漠地域を含むさまざまな大気圏にわたる一般化能力をどの程度持っているかを評価する。

提案手法

• DWRPMは、生の日次降水量系列からの時間的パターンを抽出するために、1次元畳み込み層を用いた広範な部品を採用し、降水量強度の値を直接入力するのを置き換える。
• 深層部は、抽出された特徴量内の複雑な非線形関係をモデル化するための多層パーセプトロン（MLP）を採用する。
• 地理座標（緯度および経度）は、異なる地域における一般化を高めるために、独自の方法でモデルに統合される。
• モデルは、ラージャスターン地方の158か所の雨量観測所から得た71年分（1957年～2017年）の日次降水量データを用いて学習され、データは訓練用とテスト用に分割される。
• 一般化性能と地域的精度を評価するために、ゾーン別および施設別予測の両方でMAEおよびRMSEを用いて性能を評価する。
• 同じ実験設定下で学習されたベースライン深層学習モデル（MLP、1D-CNN、LSTM）と比較される。

実験結果

リサーチクエスチョン

• RQ1 71年分の歴史的降水量データのみを用いて、深層かつ広範なニューラルネットワークアーキテクチャが、ラージャスターン地方の日次降水量を効果的に予測できるか？
• RQ2 地理座標の統合が、ラージャスターン地方の多様な気候圏にわたるモデルの一般化性能をどの程度向上させるか？
• RQ3 DWRPMは、MLP、LSTM、1D-CNNといった標準的な深層学習モデルを上回る精度で日次降水量を予測できるか？
• RQ4 1つの訓練済みモデルが、ラージャスターン地方の砂漠、丘陵、平野、高原地域といった異なる大気圏にわたってどの程度一般化できるか？
• RQ5 極端な降水量イベント、特に豪雨および非常に豪雨の予測において、モデルの性能はいかがなものか？

主な発見

• DWRPMは、ラージャスターン地方の全158か所の雨量観測所で、平均絶対誤差（MAE）が0.7765、平均二乗誤差（RMSE）が2.1716を達成し、MLP、LSTM、1D-CNNを上回った。
• モデルは強力な一般化性能を示し、異なる大気圏に属する4か所のランダムに選択された雨量観測所において、MAEが0.43～0.67、RMSEが0.60～1.59の範囲で達成された。
• ゾーン別性能では、北西部砂漠地域で最小の誤差（MAE=0.679、RMSE=1.512）を記録し、南東部高原地域ではわずかに高い誤差（MAE=0.903、RMSE=2.613）を示した。
• DWRPMはすべてのベースラインモデルを上回り、次に優れたのは1D-CNN（MAE=0.8406、RMSE=2.2894）であり、続くLSTM（MAE=0.8750、RMSE=2.3095）、MLP（MAE=1.3137、RMSE=2.7808）であった。
• モデルの性能は多様な地理的条件下でも一貫しており、緯度および経度を入力特徴として統合したことで、効果的な一般化が達成されたことが示された。
• 軽量および中程度の降水量予測には効果的であったが、豪雨および非常に豪雨のような極端な降水量イベントの予測については、さらなる改善の余地がある。