[论文解读] RainBench: Towards Global Precipitation Forecasting from Satellite Imagery

Christian Schroeder de Witt, Catherine Tong+6 more|arXiv (Cornell University)|Dec 17, 2020

Precipitation Measurement and Analysis参考文献 39被引用 6

一句话总结

RainBench 引入了一个多模态基准数据集，结合了模拟卫星数据（SimSat）、ERA5再分析数据和IMERG降水观测数据，以实现数据驱动的全球降水预报。作者发布了 PyRain 高性能数据处理库，并建立了神经网络基线模型，其在长达5天的预报中优于气候学和持续性模型，降低了极端天气预测研究的准入门槛。

ABSTRACT

Extreme precipitation events, such as violent rainfall and hail storms, routinely ravage economies and livelihoods around the developing world. Climate change further aggravates this issue. Data-driven deep learning approaches could widen the access to accurate multi-day forecasts, to mitigate against such events. However, there is currently no benchmark dataset dedicated to the study of global precipitation forecasts. In this paper, we introduce \ extbf{RainBench}, a new multi-modal benchmark dataset for data-driven precipitation forecasting. It includes simulated satellite data, a selection of relevant meteorological data from the ERA5 reanalysis product, and IMERG precipitation data. We also release \ extbf{PyRain}, a library to process large precipitation datasets efficiently. We present an extensive analysis of our novel dataset and establish baseline results for two benchmark medium-range precipitation forecasting tasks. Finally, we discuss existing data-driven weather forecasting methodologies and suggest future research avenues.

研究动机与目标

• 为使用卫星图像进行全球数据驱动降水预报缺乏标准化基准的问题提供解决方案。
• 降低受极端降雨影响的发展中国家研究人员在计算能力和数据访问方面的障碍。
• 实现对不同气象条件下中长期降水预报任务中深度学习模型的系统性评估。
• 通过 PyRain 库提供可扩展、高效的地表处理流水线，以加速实验和模型训练。
• 建立可复现的基线，并探索用于数据不平衡降水预测任务的类别平衡策略。

提出的方法

• RainBench 数据集整合了三种数据模态：SimSat（模拟地球静止轨道卫星图像）、ERA5（大气状态再分析数据）和 IMERG（基于卫星观测的全球降水估计）。
• PyRain 是一个高性能、可配置的数据加载框架，专为大规模降水数据集优化，支持深度学习模型的高效数据摄入和预处理。
• 作者在两个基准预报任务上训练并评估了卷积神经网络和梯度提升模型：基于卫星和再分析输入，预测1至5天的累积降水。
• 采用多时间步损失函数，以促进模型预测的时间一致性，并通过端到端训练迭代预报滚动过程来提升泛化能力。
• 探索了梯度检查点和混合精度训练等内存高效策略，以应对高分辨率数据和大型模型架构的挑战。
• 评估了类别平衡技术，包括焦点损失和类别重加权，以提升模型在罕见但影响重大的极端降水事件中的表现。

实验结果

研究问题

• RQ1 基于多模态卫星和再分析数据训练的数据驱动模型，能否在中长期全球降水预报中超越气候学和持续性等简单基线？
• RQ2 不同的类别平衡策略如何影响回归模型在预测极端降水事件中的表现？
• RQ3 像 PyRain 这样快速且可扩展的数据加载流水线，在大规模降水预报实验中能在多大程度上减少训练时间和硬件成本？
• RQ4 输入数据分辨率和模态（例如，模拟与真实卫星数据）对预报准确性和泛化能力有何影响？
• RQ5 通过可逆层实现端到端训练的迭代预报模型，能否提升长时预报的稳定性并减少内存使用？

主要发现

• 在 RainBench 上训练的神经网络基线模型，在长达5天的降水预报中优于气候学和持续性基线，证明了数据驱动方法的可行性。
• 采用类别平衡技术，尤其是焦点损失，可提升模型对罕见高影响降水事件的预测性能，减少低估偏差。
• PyRain 显著加速了数据加载，支持更快的模型迭代，并减少了大规模实验的训练时间。
• 与仅依赖卫星图像的模型相比，整合 ERA5 再分析数据可提高预报准确性，凸显大气状态信息的价值。
• 通过可逆层实现的多步预报滚动过程的端到端训练，可在激活检查点机制下实现稳定长时预报，同时减少 GPU 内存使用。
• 作者观察到，更高分辨率的输入数据（尤其是来自 SimSat 的数据）可改善降水事件的空间定位，为实现业务化预报提供了可行路径。