[論文レビュー] Towards a Precipitation Bias Corrector against Noise and Maldistribution

Xiaoyang Xu, Yiqun Liu+6 more|arXiv (Cornell University)|Oct 15, 2019

Meteorological Phenomena and Simulations参考文献 23被引用数 7

ひとこと要約

本論文は、ノイズの多い入力データを処理するためのノイズ除去オートエンコーダーブロックと、降水量出力の不均衡な分布に対処するための順序回帰ブロックを組み合わせることで、専門知識を必要としない新しい深層学習モデルを提案している。ECMWFの気象データを用いた評価において、従来の機械学習および深層学習のベースラインを上回る、最先端の威脅スコア（TS）を達成しており、定量的指標および可視化の質の両面で優れた性能を示している。

ABSTRACT

With broad applications in various public services like aviation management and urban disaster warning, numerical precipitation prediction plays a crucial role in weather forecast. However, constrained by the limitation of observation and conventional meteorological models, the numerical precipitation predictions are often highly biased. To correct this bias, classical correction methods heavily depend on profound experts who have knowledge in aerodynamics, thermodynamics and meteorology. As precipitation can be influenced by countless factors, however, the performances of these expert-driven methods can drop drastically when some un-modeled factors change. To address this issue, this paper presents a data-driven deep learning model which mainly includes two blocks, i.e. a Denoising Autoencoder Block and an Ordinal Regression Block. To the best of our knowledge, it is the first expert-free models for bias correction. The proposed model can effectively correct the numerical precipitation prediction based on 37 basic meteorological data from European Centre for Medium-Range Weather Forecasts (ECMWF). Experiments indicate that compared with several classical machine learning algorithms and deep learning models, our method achieves the best correcting performance and meteorological index, namely the threat scores (TS), obtaining satisfactory visualization effect.

研究の動機と目的

• 観測データの制限や従来の気象モデルの限界によって引き起こされる、数値降水量予測におけるバイアスの持続的問題に対処すること。
• 専門知識に依存しない、専門家フリーのデータ駆動型アプローチを開発することで、バイアス補正における専門家依存を低減すること。
• しばしば従来の専門家主導の手法の性能を損なう、ノイズが多く不均衡な降水量データ下での補正性能を向上させること。
• 従来の古典的機械学習および深層学習手法と比較して、特に威脅スコア（TS）を含むより良い気象評価指標を達成すること。
• ドメイン特化の仮定を一切設けずに大規模な気象データから学習することで、モデル化されていない要因の変化に対しても頑健なバイアス補正を可能にすること。

提案手法

• モデルは、ECMWFの37個の入力気象変数からのノイズを除去するためのノイズ除去オートエンコーダーブロックを採用し、入力データの質を向上させている。
• 降水量強度の順序的な性質をモデル化するために、順序回帰ブロックが使用されており、降水量データに一般的に見られる不均衡な分布に対処している。
• 2つのブロックは同時に最適化されるよう訓練され、オートエンコーダーはクリーンな入力を再構築し、順序回帰ブロックは正確な降水量カテゴリを予測する。
• エンドツーエンドで訓練可能なアーキテクチャを採用しており、専門家が設計したルールを一切用いずに、入力変数と降水量出力の間の複雑な非線形関係を学習できる。
• モデルは歴史的なECMWFデータ上で訓練され、システム的なバイアスを最小限に抑えるように、生のモデル出力から観測された降水量へのマッピングを学習している。
• 評価には威脅スコア（TS）と視覚的検証を用い、古典的機械学習および深層学習のベースラインと比較して性能を評価している。

実験結果

リサーチクエスチョン

• RQ1 専門家に依存せずに、データ駆動型の深層学習モデルが数値降水量予測のバイアスを効果的に低減できるか。
• RQ2 提案手法は、古典的機械学習および深層学習手法と比較して、降水量バイアス補正においてどの程度の性能を示すか。
• RQ3 ノイズ除去オートエンコーダーブロックは、入力データのノイズが降水量予測精度に与える影響をどの程度軽減できるか。
• RQ4 順序回帰ブロックは、特に弱い降水量および強い降水量のイベントに対して、不均衡な降水量データの下で性能を向上させられるか。
• RQ5 モデルは、専門家主導の補正手法と比較して、モデル化されていない要因が変化しても頑健性を維持できるか。

主な発見

• 提案手法は、比較対象のすべての手法の中で最高の威脅スコア（TS）を達成しており、降水量イベントを正しく予測する性能が優れていることを示している。
• 本手法は、弱い降水量および強い降水量の両方の予測バイアスを顕著に低減しており、複数の評価指標において古典的機械学習および深層学習のベースラインを上回っている。
• 補正済み降水量出力の可視化では、空間的な一貫性が向上し、観測パターンと整合性が取れていることが示され、より現実的な出力であると示唆されている。
• ノイズ除去オートエンコーダーブロックは、入力気象変数のノイズを効果的に低減しており、予測の安定性と正確性に寄与している。
• 順序回帰ブロックは、降水量強度の非線形的かつ順序的な性質を適切にモデル化しており、極端な現象の予測信頼性を向上させている。
• モデルは、モデル化されていない要因の変化に対しても頑健性を示しており、再訓練や専門家の介入なしに高い性能を維持している。