[論文レビュー] RainNet: A Large-Scale Imagery Dataset and Benchmark for Spatial Precipitation Downscaling

Xuanhong Chen, Kairui Feng+5 more|arXiv (Cornell University)|Dec 17, 2020

Precipitation Measurement and Analysis被引用数 5

ひとこと要約

本稿では、米東部地域の17年間にわたり62,400組以上の高解像度（HR）および低解像度（LR）降水量マップペアを含む、空間的降水量ダウンスケーリングのための最初の大規模な現実世界データセットであるRainNetを紹介する。このデータセットは、深層学習モデルのトレーニングと評価を可能にし、時間的不整合、スパarsity、流体力学的特性といった課題を、新規のベンチマークフレームワークと特化した指標を用いて解決する。実験の結果、既存のSISRおよびVSRモデルは、この複雑な現実世界のタスクにおいて依然として不足していることが示された。

ABSTRACT

AI-for-science approaches have been applied to solve scientific problems (e.g., nuclear fusion, ecology, genomics, meteorology) and have achieved highly promising results. Spatial precipitation downscaling is one of the most important meteorological problem and urgently requires the participation of AI. However, the lack of a well-organized and annotated large-scale dataset hinders the training and verification of more effective and advancing deep-learning models for precipitation downscaling. To alleviate these obstacles, we present the first large-scale spatial precipitation downscaling dataset named RainNet, which contains more than $62,400$ pairs of high-quality low/high-resolution precipitation maps for over $17$ years, ready to help the evolution of deep learning models in precipitation downscaling. Specifically, the precipitation maps carefully collected in RainNet cover various meteorological phenomena (e.g., hurricane, squall), which is of great help to improve the model generalization ability. In addition, the map pairs in RainNet are organized in the form of image sequences ($720$ maps per month or 1 map/hour), showing complex physical properties, e.g., temporal misalignment, temporal sparse, and fluid properties. Furthermore, two deep-learning-oriented metrics are specifically introduced to evaluate or verify the comprehensive performance of the trained model (e.g., prediction maps reconstruction accuracy). To illustrate the applications of RainNet, 14 state-of-the-art models, including deep models and traditional approaches, are evaluated. To fully explore potential downscaling solutions, we propose an implicit physical estimation benchmark framework to learn the above characteristics. Extensive experiments demonstrate the value of RainNet in training and evaluating downscaling models. Our dataset is available at https://neuralchen.github.io/RainNet/.

研究の動機と目的

• 深層学習コミュニティにおいて、空間的降水量ダウンスケーリングのための大規模で現実的かつ適切にアノテーションが付与されたデータセットが不足しているという問題に対処すること。
• 衛星とレーダー間の実際のセンサー差異を反映しない、例えばバイキューブ的劣化を伴うシミュレートされたデータセットの限界を克服すること。
• 時間的不整合、スパarsity、流体力学的特性といった複雑な物理的性質を評価できる、分野特化型の指標を備えたベンチマークフレームワークを確立すること。
• 最先端のSISRおよびVSRモデルを、現実の降水量データ上で体系的に評価し、それらがメソスケールの特徴を捉える能力に欠けていることを明らかにすること。

提案手法

• 米東部地域の17年間にわたり、衛星およびレーダーデータから62,400組以上の高解像度（HR）および低解像度（LR）降水量マップペアを収集。対象範囲は900万km²。
• 時間的ダイナミクスを反映させるために、マップペアを時間的シーケンス（1時間ごとに1枚、1か月に720枚）に整理。これにより、不整合性やスパarsityを含む現実世界の時間的特性を再現。
• 深層学習に特化した2つの評価指標を導入：メソスケールのピーク降水量誤差（MPPE）および強降雨領域再構成精度（HRRR）、降水量ダウンスケーリングに特化。
• 降水量フィールドにおける流体的運動と時間的不一致をモデル化する、インプリシットな物理的推定ベンチマークフレームワークを設計。
• SRCNN、RCAN、DBPN、GANベースの手法を含む14種類の最先端モデルをRainNetデータセット上で評価し、視覚的および定量的次元での性能を分析。
• 視覚的および定量的分析を用いて、既存のSISRおよびVSRモデルがハリケーンの目や強降雪帯といった微細スケールの特徴を再構築できないことを示した。

実験結果

リサーチクエスチョン

• RQ1 現実の降水量データでトレーニングされた深層学習モデルは、理想化された劣化を伴うシミュレートされたデータセットでトレーニングされたモデルよりも優れた性能を示すか？
• RQ2 時間的不整合や流体力学的特性といった複雑な物理的性質を有する現実の降水量データ上で、既存のSISRおよびVSRモデルはどの程度の性能を示すか？
• RQ3 標準的な深層学習指標は、降水量ダウンスケーリング結果の物理的忠実度をどの程度捉えられていないか？
• RQ4 インプリシットな物理的ダイナミクスをモデル化するベンチマークフレームワークは、ダウンスケーリングモデルの汎化性能および正確性を向上させ得るか？
• RQ5 現在の深層学習アーキテクチャの主な限界は、強降雪帯やハリケーンの目といったメソスケールの降水量特徴を再構築する際に顕在化するか？

主な発見

• RainNetデータセットには、17年間にわたり、ハリケーンやスコールを含む多様な気象現象をカバーする62,400組以上の高解像度および低解像度の降水量マップペアが含まれる。
• 視覚的分析から、SISRモデル（SRCNNやRCAN）は過剰に滑らかすぎる結果を出力する一方、DBPNはハリケーンの目を再構築できないことが判明。
• 従来の手法（Kriging）は、入力の低解像度マップと同様にぼんやりとした結果を出力するため、微細スケールの特徴に対して劣った性能を示している。
• 定量的評価から、MPPEおよびHRRR指標が、メソスケールおよび強降雪領域におけるモデル性能を効果的に捉えていることが判明。
• 既存のSISRまたはVSRモデルは、時間的不整合、スパarsity、流体力学的特性の課題を完全に解消できていないため、このタスクは依然として極めて困難である。
• インプリシットな物理的推定フレームワークは、動的物理プロセスをモデル化することが、ダウンスケーリング性能の向上に重要であることを示している。