[论文解读] Recurrent Graph Convolutional Networks for Spatiotemporal Prediction of Snow Accumulation Using Airborne Radar

Benjamin Zalatan, Maryam Rahnemoonfar|arXiv (Cornell University)|Feb 2, 2023

Cryospheric studies and observationsEarth and Planetary Sciences被引用 3

一句话总结

本文提出一种循环图卷积网络（GCN-LSTM），利用机载雪雷达数据，从2007年至2011年预测格陵兰冰盖的年积雪量，将雷达反演的冰层厚度转换为时空图结构。该模型在准确性和一致性方面均优于非几何与非时序基线模型，展现出在浅冰层厚度多目标回归任务中的优越性能。

ABSTRACT

The accurate prediction and estimation of annual snow accumulation has grown in importance as we deal with the effects of climate change and the increase of global atmospheric temperatures. Airborne radar sensors, such as the Snow Radar, are able to measure accumulation rate patterns at a large-scale and monitor the effects of ongoing climate change on Greenland's precipitation and run-off. The Snow Radar's use of an ultra-wide bandwidth enables a fine vertical resolution that helps in capturing internal ice layers. Given the amount of snow accumulation in previous years using the radar data, in this paper, we propose a machine learning model based on recurrent graph convolutional networks to predict the snow accumulation in recent consecutive years at a certain location. We found that the model performs better and with more consistency than equivalent nongeometric and nontemporal models.

研究动机与目标

• 提高在气候变化背景下格陵兰冰盖积雪量时空预测的准确性和一致性。
• 解决传统原位测量方法存在的稀疏性、高成本以及无法捕捉流域尺度模式的局限性。
• 利用机载雷达数据——特别是具有高垂直分辨率的雪雷达剖面图——对时间序列上的年积雪量进行建模。
• 开发一种融合空间几何结构与时间动态的机器学习模型，以提升浅冰层厚度预测的准确性。
• 将模型推广至未来积雪量预测，并可能反向任务以从浅层预测深层冰层。

提出的方法

• 将十个深层冰层（1997–2006年）转换为单一时空图，其中每个节点代表一个地理位置，其特征包括纬度、经度和层厚度。
• 图卷积网络（GCN）层利用基于节点间逆地理距离的邻接矩阵，处理空间关系。
• 长短期记忆（LSTM）层捕捉雪层厚度数据在连续年份间的时序依赖性。
• GCN-LSTM架构执行多目标回归，同时预测五个浅层冰层（2007–2011年）的厚度。
• 模型通过端到端训练，使用均方误差损失函数，基于雷达剖面图二值标记生成的真实厚度标签进行优化。
• 基线模型包括仅使用GCN（无LSTM）和仅使用LSTM（无空间图结构）的模型，二者使用相同的输入特征但架构设计不同。

实验结果

研究问题

• RQ1 几何与时间深度学习模型是否能在基于机载雷达数据预测积雪量方面优于非几何与非时序模型？
• RQ2 GCN-LSTM模型在多个人年冰层厚度中多大程度上能捕捉时空模式？
• RQ3 与纯序列或非空间模型相比，引入空间图结构在多大程度上提升了预测的一致性与准确性？
• RQ4 在具备足够数据的前提下，该模型是否能推广至训练期之外的未来积雪量预测？
• RQ5 额外的节点特征或可学习的邻接矩阵在多大程度上影响模型性能？

主要发现

• GCN-LSTM模型在所有预测年份（2007–2011年）的均方根误差（RMSE）均显著低于独立的GCN与LSTM基线模型。
• 模型在预测中表现出更高的稳定性，表现为五次独立实验中RMSE标准差更低。
• 同时包含空间图结构与LSTM时间记忆的模型性能优于仅依赖其中任一组件的模型。
• 图3中的示例预测显示，模型生成了准确且空间一致的厚度估计，仅在右下角区域存在少数拟合不佳的案例。
• 图4中的连续预测结果表明，预测值与真实值在所有测试样本中高度一致，散点分布稀疏。
• 模型性能表明，将几何与时间归纳偏置整合是实现雷达反演冰层数据准确时空回归的关键。