[論文レビュー] WF-UNet: Weather Fusion UNet for Precipitation Nowcasting

Christos Kaparakis, Siamak Mehrkanoon|arXiv (Cornell University)|Feb 8, 2023

Meteorological Phenomena and Simulations被引用数 5

ひとこと要約

本論文では、西ヨーロッパにおける短時間（最大3時間）の降水量レーダー予測のため、降水量と風速のレーダー情報を統合する新しい3次元UNetベースの深層学習モデル、WF-UNetを提案する。2つの独立したストリームによる意思決定段階の特徴量統合を採用することで、1時間先の予測において、次善のモデルよりも22%低いMSEを達成し、ベースラインUNetおよびパーシステンスモデルよりも顕著に精度が向上した。

ABSTRACT

Designing early warning systems for harsh weather and its effects, such as urban flooding or landslides, requires accurate short-term forecasts (nowcasts) of precipitation. Nowcasting is a significant task with several environmental applications, such as agricultural management or increasing flight safety. In this study, we investigate the use of a UNet core-model and its extension for precipitation nowcasting in western Europe for up to 3 hours ahead. In particular, we propose the Weather Fusion UNet (WF-UNet) model, which utilizes the Core 3D-UNet model and integrates precipitation and wind speed variables as input in the learning process and analyze its influences on the precipitation target task. We have collected six years of precipitation and wind radar images from Jan 2016 to Dec 2021 of 14 European countries, with 1-hour temporal resolution and 31 square km spatial resolution based on the ERA5 dataset, provided by Copernicus, the European Union's Earth observation programme. We compare the proposed WF-UNet model to persistence model as well as other UNet based architectures that are trained only using precipitation radar input data. The obtained results show that WF-UNet outperforms the other examined best-performing architectures by 22%, 8% and 6% lower MSE at a horizon of 1, 2 and 3 hours respectively.

研究の動機と目的

• 降水量レーダー情報のみを用いるモデルよりも、短時間の降水量予測精度を向上させるデータ駆動型の深層学習モデルの開発を目的とする。
• 風速を追加の入力モodalとして組み込むことが、降水量予測性能に与える影響を調査することを目的とする。
• 複数の気象変数からの時空間特徴量を効果的に統合するための統合メカニズムの設計を目的とする。
• 西ヨーロッパにおけるさまざまな降水量強度レベルと予測時間枠（1～3時間）において、モデルの性能を評価することを目的とする。
• マルチモーダル気象データの意思決定段階での統合が、単一モーダルまたは早期統合アプローチと比較して、予測精度を向上させることを実証することを目的とする。

提案手法

• WF-UNetは、コアの3次元UNetアーキテクチャを拡張し、降水量レーダー情報用と風速情報用の2つの並列入力ストリームを備える。
• 各ストリームは、階層的な時空間特徴量を抽出するため、3次元畳み込みと残差ブロックを用いた収縮パスを処理する。
• 両ストリームの特徴マップは、最終的なアップサンプリング層の後で意思決定段階（後段）で連結され、補完的情報を遅延統合する。
• モデルは、将来の時刻におけるピクセル単位の降水量強度を回帰する目的で、平均二乗誤差（MSE）損失を用いてエンドツーエンドで訓練される。
• データセットは、14カ国からなる1年間の時間分解能31 km²の6年間（2016–2021）分のレーダー観測データを含み、ERA5再解析データセットから取得されたものである。
• 性能評価には、MSE、精度、再現率、F1スコアを用い、2つのテストセット（EU-20：雨雲ピクセルが20%以上、EU-50：50%以上）で評価される。

実験結果

リサーチクエスチョン

• RQ1 降水量レーダー情報のみを用いるモデルと比較して、風速データを追加の入力として組み込むことで、降水量予測精度が向上するか？
• RQ2 降水量と風速ストリームの意思決定段階での特徴量統合は、早期統合や遅延統合戦略と比較して、予測性能にどのように影響するか？
• RQ3 1、2、3時間の予測時間枠において、WF-UNetは最新のUNetベースのモデルおよびパーシステンスベースラインに対して、それぞれどの程度の相対的改善を示すか？
• RQ4 異なる降水量強度レベル（例：弱雨 vs. 強雨）において、モデルの性能はどのように変化するか？
• RQ5 マルチモーダル気象データの統合により、出力における降水量ピクセルの局所化精度が向上するか？

主な発見

• EU-50データセットにおける1時間予測時間枠で、WF-UNetは次善のモデル（コアUNet）よりも22%低いMSE（6.34e-04）を達成した。
• 2時間予測時間枠では、最良のベースラインと比較して、MSEが8%低く、4.87e-04のMSEを達成した。
• 3時間予測時間枠では、最良のベースラインと比較して、MSEが6%低く、6.34e-04のMSEを達成した。
• すべての予測時間枠で、WF-UNetは優れた精度と再現率を示し、EU-50セットにおける1時間先予測で、0.933の精度と0.790の再現率を達成した。
• コアUNetと比較して、1時間先予測で6%、2時間先で5%、3時間先で5%のバイナリ精度の向上を達成した。
• 特徴量可視化により、両ストリームが明確に異なる補完的表現を学習していることが確認された：降水量ストリームはエコー構造を捉えており、風速ストリームは動的流れのパターンを捉えていた。