[论文解读] DeepRain: ConvLSTM Network for Precipitation Prediction using Multichannel Radar Data

Seongchan Kim, Seungkyun Hong+2 more|arXiv (Cornell University)|Nov 7, 2017

Precipitation Measurement and Analysis参考文献 1被引用 124

一句话总结

DeepRain 将 ConvLSTM 应用于三维、四通道雷达数据以预测降雨；两栈 ConvLSTM 实现 RMSE 为 11.31，较线性回归提升 23%。

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.

研究动机与目标

• 因为社会与经济影响，推动准确的降雨预报。
• 开发一个基于雷达数据的降雨量预测的数据驱动模型。
• 利用 ConvLSTM 捕捉三维、多通道雷达数据中的时空特征。
• 在基线线性回归和 FC-LSTM 的对比中评估性能。

提出的方法

• 使用 ConvLSTM 处理 3D、四通道雷达输入 (101x101x4) 在 15 个时间步上。
• 将 DeepRain 结构化为一个多对一预测器，以估计未来 1–2 小时的降雨量。
• 在 LSTM 门内用卷积运算替代 FC-LSTM，以捕捉空间特征。
• 使用 Adam 优化器训练（学习率=0.001），对雷达数据预处理并转换为 TFRecord 格式。
• 将 one-stack 与 two-stack 的 ConvLSTM 配置与线性回归和 FC-LSTM 基线进行比较。

实验结果

研究问题

• RQ1 ConvLSTM 在三维、多通道雷达数据上能否超过传统线性模型和 FC-LSTM 在降雨预测中的表现？
• RQ2 堆叠 ConvLSTM 层是否能提高基于雷达的降雨今时预测的准确性？
• RQ3 输入维度（三维、四通道）对降雨预测性能的影响有多大？

主要发现

模型	RMSE	下降(%)
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

• 两层 ConvLSTM 在测试集上实现 RMSE 11.31。
• 两层 ConvLSTM 将 RMSE 相比线性回归降低 23.0%。
• ConvLSTM（单层）实现 RMSE 11.51，同样优于 FC-LSTM (14.46) 和线性回归 (14.69)。
• 在 Adam 优化下，ConvLSTM 的训练收敛速度快于 FC-LSTM（给出训练轮数和损失曲线）。
• ConvLSTM 由于卷积门更好地保留空间信息，相较 FC-LSTM。
• 模型处理大小为 101x101x4 的 15 时间步输入，输出单一降雨预测。