[논문 리뷰] ExtremeWeather: A large-scale climate dataset for semi-supervised detection, localization, and understanding of extreme weather events

Evan Racah, Christopher Beckham외 4명|arXiv (Cornell University)|2016. 12. 06.

Tropical and Extratropical Cyclones Research인용 수 158

한 줄 요약

ExtremeWeather를 소개합니다. 이는 대규모 다채널 기후 데이터셋과 네 가지 극심 기상 현상을 탐지 및 위치화하기 위한 3D 반지도 학습 인코더–디코더 네트워크이며, 바운딩 박스 손실과 작은/중간/큰 분할에 대한 벤치마크를 제공합니다.

ABSTRACT

Then detection and identification of extreme weather events in large-scale climate simulations is an important problem for risk management, informing governmental policy decisions and advancing our basic understanding of the climate system. Recent work has shown that fully supervised convolutional neural networks (CNNs) can yield acceptable accuracy for classifying well-known types of extreme weather events when large amounts of labeled data are available. However, many different types of spatially localized climate patterns are of interest including hurricanes, extra-tropical cyclones, weather fronts, and blocking events among others. Existing labeled data for these patterns can be incomplete in various ways, such as covering only certain years or geographic areas and having false negatives. This type of climate data therefore poses a number of interesting machine learning challenges. We present a multichannel spatiotemporal CNN architecture for semi-supervised bounding box prediction and exploratory data analysis. We demonstrate that our approach is able to leverage temporal information and unlabeled data to improve the localization of extreme weather events. Further, we explore the representations learned by our model in order to better understand this important data. We present a dataset, ExtremeWeather, to encourage machine learning research in this area and to help facilitate further work in understanding and mitigating the effects of climate change. The dataset is available at extremeweatherdataset.github.io and the code is available at https://github.com/eracah/hur-detect.

연구 동기 및 목표

• 기후 시뮬레이션에서 글로벌 평균을 넘어 국지적 극심 기상 현상 분석의 필요성을 제시한다.
• 네 가지 이벤트 유형의 바운딩 박스 탐지를 위한 대규모 다채널 데이터셋(ExtremeWeather)을 제공한다.
• 바운딩 박스 회귀 및 재구성을 위한 반지도 학습이 가능한 3D 컨볼루션 인코더–디코더 아키텍처를 제안한다.
• 재구성을 통한 비라벨 데이터 활용이 국지화 성능을 향상시킴을 보여주며, 특히 허리케인 및 관련 현상에서 더 큰 이점을 보인다.
• 기후 과학의 다운스트림 머신러닝 연구를 촉진하기 위해 작은/중간/큰 분할의 벤치마킹 분할을 제공한다.

제안 방법

• 재구성 및 예측을 위해 높이/너비/시간의 3D 컨볼루션 인코더–디코더를 사용하고 가중치를 공유한다.
• 병목에서 단일 패스 바운딩 박스 회귀 손실을 적용해 박스 위치, 크기, 신뢰도 및 클래스를 예측한다.
• 이미지를 12x18 그리드의 64x64 앵커로 분할해 매 타임스텝마다 216개의 예측을 생성하고, 다성분 손실 L = L_sup + λ L_rec를 사용한다.
• 라벨이 없는 프레임이 재구성 손실을 통해 기여하는 반지도 학습 목표로 학습해 시공간 특징 학습을 향상시킨다.
• 네 가지 이벤트 유형(TD, TC, ETC, US-AR)에 대한 실제 바운딩 박스는 TECA 중심 및 크기로부터 파생되며, 라벨링 잡음과 부분 주석을 인정한다.
• 데이터셋 분할 및 기준선을 제공하고 온라인에서 코드 및 데이터를 이용할 수 있다.

실험 결과

연구 질문

• RQ1 반지도 3D CNN이 완전한 감독 기반 기준선보다 극심 기상 현상의 위치화 정확도를 향상시킬 수 있는가?
• RQ2 재구성을 통해 라벨이 없는 프레임을 활용하면 허리케인 및 사이클론 관련 현상에 대한 학습된 시공간 표현이 향상되는가?
• RQ3 시간 정보(3D 대 2D)가 이벤트 유형 간 탐지 및 위치화 성능에 어떤 영향을 미치는가?
• RQ4 다른 손실 가중치(λ)가 바운딩 박스 회귀 및 클래스 신뢰도에 미치는 영향은 무엇인가?

주요 결과

• 3D 반지도 학습 모델은 2D 대비 우수하며, 특히 온대 사이클론과 열대 사이클론에서 뛰어나다.
• 반지도 학습은 ETC 및 TC의 위치화를 향상시켜 비라벨 데이터에서 유익한 시공간 특징 학습이 가능함을 시사한다.
• 더 긴 학습과 적절한 앵커 크기(64x64)가 바운딩 박스 정확도와 IOU 성능에 영향을 주며, IOU=0.1에서 대략적인 위치화가 가능하다.
• 데이터셋에서 특정 기상 현상을 구분하는 데 시간 축의 맥락이 중요하다.
• 데이터셋은 AR과 같은 클래스 불균형 및 TECA-실제 정답에 내재된 라벨링 노이즈를 보인다.