[논문 리뷰] DeepRain: ConvLSTM Network for Precipitation Prediction using Multichannel Radar Data

Seongchan Kim, Seungkyun Hong외 2명|arXiv (Cornell University)|2017. 11. 07.

Precipitation Measurement and Analysis참고 문헌 1인용 수 124

한 줄 요약

DeepRain은 ConvLSTM을 3차원, 4채널 레이더 데이터에 적용하여 강우를 예측합니다; 두 스택 ConvLSTM은 RMSE 11.31로 선형 회귀보다 23% 앞섰습니다.

ABSTRACT

Accurate rainfall forecasting is critical because it has a great impact on people's social and economic activities. Recent trends on various literatures show that Deep Learning (Neural Network) is a promising methodology to tackle many challenging tasks. In this study, we introduce a brand-new data-driven precipitation prediction model called DeepRain. This model predicts the amount of rainfall from weather radar data, which is three-dimensional and four-channel data, using convolutional LSTM (ConvLSTM). ConvLSTM is a variant of LSTM (Long Short-Term Memory) containing a convolution operation inside the LSTM cell. For the experiment, we used radar reflectivity data for a two-year period whose input is in a time series format in units of 6 min divided into 15 records. The output is the predicted rainfall information for the input data. Experimental results show that two-stacked ConvLSTM reduced RMSE by 23.0% compared to linear regression.

연구 동기 및 목표

• 사회적·경제적 영향으로 인해 정확한 강우 예측의 필요성을 제고한다.
• 레이더 데이터를 사용하여 강우량을 예측하는 데이터 기반 모델을 개발한다.
• 3D 다중 채널 레이더 데이터에서 시공간 특성을 포착하기 위해 ConvLSTM을 활용한다.
• 기준선인 선형 회귀 및 FC-LSTM에 대해 성능을 평가한다.

제안 방법

• 3D, 네 채널 레이더 입력(101x101x4)을 15 시간 스텝에 걸쳐 다루기 위해 ConvLSTM을 사용한다.
• DeepRain를 1–2시간 ahead의 강우를 예측하는 다대일 예측기로 구성한다.
• 공간 특성을 포착하기 위해 LSTM 게이트 내부를 합성곱 연산으로 대체한다.
• 전처리된 레이더 데이터를 TFRecord 형식으로 변환하여 Adam 옵티마이저(lr=0.001)로 학습한다.
• 일-stack 및 이중-stack ConvLSTM 구성을 선형 회귀 및 FC-LSTM 기준선과 비교한다.

실험 결과

연구 질문

• RQ1 3D 다중 채널 레이더 데이터에 대한 ConvLSTM이 강우 예측에서 전통적 선형 모델 및 FC-LSTM보다 성능을 뛰어넘을 수 있는가?
• RQ2 ConvLSTM 계층을 스택하는 것이 레이더 기반 강우 예보(nowcasting)의 예측 정확도를 향상시키는가?
• RQ3 입력 차원(세 차원, 네 채널)이 강우 예측 성능에 미치는 영향은 무엇인가?

주요 결과

Model	RMSE	Drop(%)
Linear Regression	14.69	-
DeepRain: FC-LSTM [7]	14.46	1.6
DeepRain: Conv-LSTM(one-Stacked)	11.51	21.6
DeepRain: Conv-LSTM(two-Stacked)	11.31	23.0

• Two-stack ConvLSTM은 테스트 세트에서 RMSE 11.31을 달성한다.
• Two-stack ConvLSTM은 선형 회귀에 비해 RMSE를 23.0% 감소시킨다.
• ConvLSTM (one-stack) 은 RMSE 11.51을 달성하여 FC-LSTM(14.46) 및 선형 회귀(14.69)보다 우수하다.
• Adam 최적화에서 ConvLSTM 훈련은 FC-LSTM보다 더 빨리 수렴한다(에폭 및 손실 곡선이 보고됨).
• 합성곱 게이트로 인해 ConvLSTM은 FC-LSTM보다 공간 정보를 더 잘 보존한다.
• 모델은 15 시간 스텝 입력, 크기 101x101x4를 처리하여 단일 강우 예측을 산출한다.