[论文解读] Precipitation Nowcasting with Star-Bridge Networks

Yuan Cao, Qiuying Li+5 more|arXiv (Cornell University)|Jul 18, 2019

Precipitation Measurement and Analysis参考文献 9被引用 19

一句话总结

本文提出StarBriNet，一种新型循环神经网络，采用多列架构与星形信息桥，以提升短时强降水临近预报性能。通过分别处理不同雨强与持续时间的降水，使用多sigmoid损失函数以优化命中率（CSI），并增强层间梯度流动，StarBriNet在华东地区雷达回波数据集上实现最先进性能，CSI达64.4%，MSE为6.18。

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.

研究动机与目标

• 为解决现有深度学习模型对所有雨强一视同仁所导致的预测精度下降问题。
• 通过引入星形信息桥，提升RNN层间的信息流动，改善降水临近预报中的长期依赖建模。
• 设计一种面向天气指标的损失函数，优先预测中到强降水，优化模型训练过程。
• 通过多列编码器结构建模不同雨强与持续时间，提升短时降水临近预报性能。

提出的方法

• 模型采用多列编码器结构，分别处理不同雨强与持续时间的降水，提升对多样化降水模式的预测精度。
• 引入星形信息桥，增强多层RNN之间的梯度与特征流动，支持更优的长期依赖建模。
• 设计多sigmoid损失函数，优先降低误报与漏报，使训练过程与气象学中常用的命中率（CSI）指标对齐。
• 网络采用两层编码-预报结构，使用StarBriLSTM单元，每个单元的卷积核大小为(3,3)，并通过步长为2的2D卷积实现特征下采样，转置卷积用于上采样。
• 初始阶段使用图像块重采样，后替换为交替的下采样/上采样策略，避免大卷积核等效效应。
• 模型使用ADAM优化器训练，基础初始速率0.002，批量大小32，共20,000次训练迭代，运行于4块NVIDIA GTX 1080Ti GPU上。

实验结果

研究问题

• RQ1 是否可通过多列RNN架构分别处理不同雨强与持续时间，提升临近预报精度？
• RQ2 星形信息桥是否能显著增强RNN层间梯度与特征流动，提升降水预测性能？
• RQ3 是否可通过强调CSI表现的多sigmoid损失函数，超越标准回归损失在降水临近预报中的性能？
• RQ4 所提出的StarBriNet相较于SOTA模型（如PredRNN++与ConvLSTM）在真实雷达回波数据上的表现如何？

主要发现

• StarBriNet在华东地区雷达回波数据集上取得64.4%的CSI得分，显著优于此前SOTA方法（PredRNN）的63.1%。
• 模型MSE为6.18，相比基线模型（如ConvLSTM的MSE: 6.31，PredRNN的MSE: 7.03）表现出更优的回归精度。
• 消融实验表明，多列编码器、星形桥与多sigmoid损失三者结合可获得最佳性能，当所有组件均启用时，CSI提升1.7个百分点。
• 多sigmoid损失通过聚焦减少误报与漏报，显著提升CSI，对业务化天气预报具有关键意义。
• 可视化结果表明，与易产生模糊的基线模型相比，StarBriNet生成的降水区域更准确且空间一致性更强，尤其在中等强度降水预测中表现更优。
• 在多sigmoid损失中逐步增加尺度因子的实验表明，较高值可提升早期训练敏感性，但降低鲁棒性，最优性能出现在中间值。