[論文レビュー] Typhoon track prediction using satellite images in a Generative Adversarial Network

Mario Rüttgers, Sang-Seung Lee+1 more|arXiv (Cornell University)|Aug 16, 2018

Tropical and Extratropical Cyclones Research参考文献 7被引用数 6

ひとこと要約

本論文では、6時間間隔の衛星画像を用い、台風の中心を赤でマークした生成対抗ネットワーク（GAN）を提案する。モデルは真の中心から80 km以内の予測を42.4％達成するが、開拓海域での移動、急激なコース変更、陸上上陸予測の面で主な課題を抱えており、海面水温や風場などの物理的データを追加することで精度向上が期待される。

ABSTRACT

Tracks of typhoons are predicted using satellite images as input for a Generative Adversarial Network (GAN). The satellite images have time gaps of 6 hours and are marked with a red square at the location of the typhoon center. The GAN uses images from the past to generate an image one time step ahead. The generated image shows the future location of the typhoon center, as well as the future cloud structures. The errors between predicted and real typhoon centers are measured quantitatively in kilometers. 42.4% of all typhoon center predictions have absolute errors of less than 80 km, 32.1% lie within a range of 80 - 120 km and the remaining 25.5% have accuracies above 120 km. The relative error sets the above mentioned absolute error in relation to the distance that has been traveled by a typhoon over the past 6 hours. High relative errors are found in three types of situations, when a typhoon moves on the open sea far away from land, when a typhoon changes its course suddenly and when a typhoon is about to hit the mainland. The cloud structure prediction is evaluated qualitatively. It is shown that the GAN is able to predict trends in cloud motion. In order to improve both, the typhoon center and cloud motion prediction, the present study suggests to add information about the sea surface temperature, surface pressure and velocity fields to the input data.

研究の動機と目的

• 衛星画像を入力として用いる深層学習ベースの台風進路および雲構造予測手法の開発を目的とする。
• GANが過去の衛星画像から将来の台風中心位置と雲パターンを予測する性能を評価することを目的とする。
• 特に開拓海域での移動、急激なコース変更、上陸シナリオにおける制限要因を特定することを目的とする。
• 海面水温、地表面気圧、風速場などの物理気象データをモデル入力に追加することで、予測精度を向上させることを提案することを目的とする。

提案手法

• 条件付きGANを訓練し、過去4枚の衛星画像を入力として次の時刻の画像を生成する。
• 入力画像には台風中心位置を示す赤い四角形が含まれており、モデルが空間的・時間的ダイナミクスを学習できるようにする。
• 生成器ネットワークは過去の時系列に基づいて将来の画像を生成し、識別器は画像の現実性と空間的一致性を評価する。
• 画像品質と構造的一致性を向上させるために、知覚的損失とGAN損失を用いるが、生成画像は依然としてぼんやりとしている。
• 雲の運動傾向は等高線プロットを用いて定性的に分析し、生成画像と真値画像の間での構造的一致性を評価する。
• 複数の台風シーケンスにわたって、台風中心位置の絶対誤差と相対誤差を用いて予測精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 衛星画像と過去の台風中心座標のみを入力として用いる場合、GANは将来の台風中心位置を効果的に予測できるか？
• RQ2 GANは時間経過に伴う雲構造の空間的進化をどの程度正確に予測できるか？
• RQ3 GANの主な失敗モードは何か。特に絶対誤差と相対誤差の観点から、どのような点で問題が生じるか？
• RQ4 明示的な物理モデリングなしで、雲の運動傾向（例：消散や拡大）をどの程度捉えることができるか？
• RQ5 海面水温や風速場などの物理変数を組み込むことで、予測性能はどの程度向上するか？

主な発見

• 台風中心の予測の42.4％が真値から80 km以内に収まり、32.1％が80～120 km、25.5％が120 km以上離れている。
• 相対誤差が最も高い3つのシナリオは、陸地から遠く離れた開拓海域を移動する台風、急激なコース変更、上陸直前の運動である。
• 等高線プロットにより、生成画像が台湾付近での雲の減少（マークII）や、開拓海域における東方への拡大（マークIII）といった雲運動の傾向を定性的に予測できている。
• 生成画像のぼやけ具合が、台風眼の回転構造を含む詳細な再構成を制限している。
• 物理的文脈の欠如がモデル性能を制限しており、海面水温、地表面気圧、風速場の追加により、精度の大幅な向上が期待される。
• 本研究は、物理的ダイナミクスを明示的にモデル化しない限り、衛星画像ベースのGANが台風予測に実用的ではあるが限界があることを示している。