[논문 리뷰] Video Prediction for Precipitation Nowcasting.

Yuan Cao, Qiuying Li외 3명|arXiv (Cornell University)|2019. 07. 18.

Precipitation Measurement and Analysis참고 문헌 13인용 수 2

한 줄 요약

이 논문은 강수 강도와 지속 시간에 따라 별도의 하위 네트워크를 사용하고, 교차층 간 정보 흐름을 향상시키기 위해 별 모양의 정보 브리지와 다중 시그모이드 손실 함수를 도입한 새로운 RNN 기반의 별교량(Star-bridge) 네트워크인 StarBriNet을 제안한다. 이는 기존 최첨단 방법들에 비해 레이더 어두운 영상 데이터셋에서 뛰어난 예측 정확도를 달성한다.

ABSTRACT

Precipitation nowcasting, which aims to precisely predict the short-term rainfall intensity of a local region, is gaining increasing attention in the artificial intelligence community. Existing deep learning-based algorithms use a single network to process various rainfall intensities together, compromising the predictive accuracy. Therefore, this paper proposes a novel recurrent neural network (RNN) based star-bridge network (StarBriNet) for precipitation nowcasting. The novelty of this work lies in the following three aspects. First, the proposed network comprises multiple sub-networks to deal with different rainfall intensities and duration separately, which can significantly improve the model performance. Second, we propose a star-shaped information bridge to enhance the information flow across RNN layers. Third, we introduce a multi-sigmoid loss function to take the precipitation nowcasting criterion into account. Experimental results demonstrate superior performance for precipitation nowcasting over existing algorithms, including the state-of-the-art one, on a natural radar echo dataset.

연구 동기 및 목표

• 기존 딥러닝 모델들이 모든 강수 강도와 지속 시간을 동일하게 처리함으로써 예측 정확도가 저하되는 한계를 해결하기 위해.
• 다양한 강수 강도와 지속 시간을 별도로 처리하는 모듈식 네트워크 아키텍처를 설계하여 단기 강우 예측 성능을 향상시키기 위해.
• 새로운 별 모양의 정보 브리지 메커니즘을 통해 RNN 계층 간 정보 흐름을 향상시키기 위해.
• 강우 예측 평가 기준에 맞추어 강우 강도의 비선형적 관계를 반영하는 다중 시그모이드 손실 함수를 사용하여 손실 함수를 정렬하기 위해.

제안 방법

• 모델은 특정 강수 강도와 지속 시간 범위에서 훈련된 별도의 하위 네트워크를 활용하여, 다양한 강수 패턴에 대한 예측 정밀도를 향상시킨다.
• 양방향 정보 교환을 가능하게 하여 기울기 흐름과 특징 표현을 향상시키기 위해 별 모양의 정보 브리지가 도입된다.
• 예측된 강우 강도와 실제 강우 강도 간의 비선형적 관계를 더 잘 반영하여 실제 강우 예측 평가 기준과 일치시키기 위해 다중 시그모이드 손실 함수를 사용한다.
• 시간적 순서의 레이더 반사도를 입력으로 사용하여 자연적인 레이더 어두운 영상 데이터셋에서 엔드 투 엔드로 네트워크를 훈련시킨다.
• 별교량 메커니즘은 계층 간 은닉 상태를 중심 집중형 별 모양의 구조로 연결하여 효율적인 정보 집계 및 전파를 가능하게 한다.

실험 결과

연구 질문

• RQ1 강수 강도와 지속 시간에 따라 하위 네트워크를 분리하면 강우 예측 모델의 정확도가 향상되는가?
• RQ2 별 모양의 정보 브리지가 영상 예측 작업에 있어서 깊은 RNN에서 정보 흐름을 어떻게 향상시키는가?
• RQ3 다중 시그모이드 손실 함수는 기존 손실 함수에 비해 강우 예측에서 모델 성능을 얼마나 향상시키는가?
• RQ4 실제 레이더 어두운 영상 데이터에서 제안된 StarBriNet 모델은 최첨단 방법들과 비교해 어떻게 성능을 내는가?

주요 결과

• StarBriNet은 기존 딥러닝 기반 강우 예측 모델들에 비해 레이더 어두운 영상 데이터셋에서 뛰어난 예측 정확도를 달성한다.
• 강수 강도와 지속 시간에 특화된 하위 네트워크를 사용함으로써 다양한 강수 패턴에 대한 학습 복잡도를 감소시켜 모델 성능을 크게 향상시킨다.
• 별 모양의 정보 브리지가 기울기 흐름과 특징 표현을 향상시켜 시간 순서 간 일반화 능력을 향상시킨다.
• 다중 시그모이드 손실 함수는 강우 강도 평가의 비선형적 성격을 더 잘 반영하여 보다 정확한 예측을 이끌어낸다.