[论文解读] Exploiting deep learning in forecasting the occurrence of severe haze in Southeast Asia

Chien Wang|arXiv (Cornell University)|Mar 12, 2020

Meteorological Phenomena and Simulations参考文献 19被引用 5

一句话总结

本文提出一种深度学习框架，利用过去35年的气象与水文数据，预测东南亚地区的严重雾霾事件，特别是在新加坡地区。该模型基于时间序列的卫星与地面观测数据进行训练，在区分雾霾日与非雾霾日方面表现出高精度，但因罕见或非典型模式而存在较高的漏报率。

ABSTRACT

Severe haze or low visibility event caused by particulate pollution has become a serious environmental issue in Southeast Asia. A forecasting framework of such events based on deep convolutional neural networks has been developed. The framework has been trained using time sequential maps of up to 18 meteorological and hydrological variables alongside surface visibility data over past 35 years. In forecasting haze versus no-haze situations in Singapore, the trained machine has achieved a good overall accuracy that easily exceeds that of the no-skill blinded forecast based on haze occurrence frequency. However, the machine still produces a relatively high number of missing forecasts (false negative for haze events), likely owing to its lack of experience in identifying atypical patterns. Nevertheless, this effort has demonstrated a promising prospect of using deep learning algorithms to predict the occurrence of extreme environmental and weather events, and to advance knowledge about these still poorly known phenomena.

研究动机与目标

• 开发一种基于数据驱动的东南亚严重雾霾事件预测系统，采用深度学习方法。
• 通过利用历史环境数据，改进基于历史发生频率的无技能基准预测。
• 评估卷积神经网络在检测严重雾霾等极端环境事件方面的能力。
• 识别模型性能中的局限性，特别是对非典型雾霾事件的漏报问题。
• 展示深度学习在预测复杂、低能见度污染事件方面的可行性。

提出的方法

• 使用35年时间序列的18个气象与水文变量地图，对深度卷积神经网络（CNN）进行训练。
• 输入数据涵盖35年，包含地面能见度观测作为真实标签。
• 模型通过分析环境变量中的空间与时间模式，对雾霾与非雾霾状态进行分类。
• 模型性能通过基于历史雾霾发生频率的无技能基准预测进行评估。
• 该框架采用时空数据表示，以捕捉影响雾霾形成的区域动力学。
• 评估指标包括总体准确率、真正例率与假阴性率。

实验结果

研究问题

• RQ1 深度学习模型能否有效利用长期环境数据预测东南亚地区的严重雾霾事件？
• RQ2 该模型的准确率与基于历史发生频率的无技能基准预测相比如何？
• RQ3 模型的主要失效模式是什么，特别是在检测罕见或非典型雾霾事件方面？
• RQ4 深度学习在多大程度上能够捕捉导致严重雾霾的大气与水文变量之间的复杂非线性关系？
• RQ5 尽管对异常气象模式接触有限，该模型在预测未来雾霾事件方面是否具备泛化能力？

主要发现

• 深度学习模型的总体准确率显著高于基于雾霾发生频率的无技能基准预测。
• 当雾霾事件发生时，模型表现出较强的识别能力，表明其在典型条件下具备有效的模式识别能力。
• 尽管总体准确率较高，模型仍存在较多假阴性，表明实际雾霾事件被漏报。
• 高假阴性率主要归因于模型缺乏对与雾霾相关的非典型或罕见气象模式的训练暴露。
• 结果表明，深度学习在数据稀疏或模式新颖性带来挑战的情况下，仍是预测极端环境事件的有前途工具。
• 本研究凸显了深度学习在推进对区域雾霾事件等尚不明确现象的理解方面的潜力。