[论文解读] A Deep and Wide Neural Network-based Model for Rajasthan Summer Monsoon Rainfall (RSMR) Prediction

Vikas Bajpai, Anukriti Bansal|arXiv (Cornell University)|Mar 2, 2021

Hydrological Forecasting Using AI被引用 4

一句话总结

本文提出了一种基于深度与宽层神经网络的模型（DWMRPM），利用印度气象局（IMD）网格化数据集和WRD雨量计站点的历史降雨数据，预测拉贾斯坦邦夏季季风降雨量（RSMR）。该模型在IMD和WRD数据集上，于所有季风月份的均方根误差（RMSE）和平均绝对误差（MAE）均低于1D-CNN和MLP基线模型，展现出在拉贾斯坦邦不同地理区域中的优越泛化能力。

ABSTRACT

Importance of monsoon rainfall cannot be ignored as it affects round the year activities ranging from agriculture to industrial. Accurate rainfall estimation and prediction is very helpful in decision making in the sectors of water resource management and agriculture. Due to dynamic nature of monsoon rainfall, it's accurate prediction becomes very challenging task. In this paper, we analyze and evaluate various deep learning approaches such as one dimensional Convolutional Neutral Network, Multi-layer Perceptron and Wide Deep Neural Networks for the prediction of summer monsoon rainfall in Indian state of Rajasthan.For our analysis purpose we have used two different types of datasets for our experiments. From IMD grided dataset, rainfall data of 484 coordinates are selected which lies within the geographical boundaries of Rajasthan. We have also collected rainfall data of 158 rain gauge station from water resources department. The comparison of various algorithms on both these data sets is presented in this paper and it is found that Deep Wide Neural Network based model outperforms the other two approaches.

研究动机与目标

• 通过深度学习模型提升拉贾斯坦邦夏季季风降雨量（RSMR）预测的准确性。
• 评估并比较深度学习架构（特别是1D-CNN、MLP和宽深神经网络）在RSMR预测中的性能。
• 利用拉贾斯坦邦水资源局提供的网格化IMD数据与点式雨量计数据，以增强模型的泛化能力。
• 开发一种统一模型，能够准确预测拉贾斯坦邦不同地理区域（包括沙漠、山地和平原）的降雨量。
• 为区域水资源管理和农业规划提供早期且可靠的降雨预测。

提出的方法

• 所提出的DWMRPM模型将宽层线性特征与深度神经网络表示相结合，灵感源自最初为推荐系统设计的宽深学习框架。
• 模型在118年（1901–2018年）的IMD网格化降雨数据（0.25°×0.25°分辨率）和61年（1957–2017年）的拉贾斯坦邦水资源局站点级数据上进行训练。
• 输入特征包括来自多个空间点的历史降雨时间序列，利用时间序列作为输入以捕捉季节性和长期模式。
• 模型采用混合架构，结合全连接层（宽层组件）与深度残差块（深层组件），以学习记忆与泛化模式。
• 模型训练使用均方误差（MSE）和平均绝对误差（MAE）作为损失函数，通过自适应学习率方法进行优化。
• 性能通过在两个测试集上的RMSE和MAE进行评估，并在不同地理区域和降雨类型中进行交叉验证。

实验结果

研究问题

• RQ1 深度与宽层神经网络架构是否能在拉贾斯坦邦夏季季风降雨预测中超越传统的1D-CNN和MLP模型？
• RQ2 该模型在拉贾斯坦邦不同地理区域（包括干旱区、山地和平原）的表现如何？
• RQ3 将网格化IMD数据与点式雨量计数据结合，是否能提升预测的鲁棒性与准确性？
• RQ4 与基线模型相比，DWMRPM模型在站点级与网格化数据集上的相对性能如何？
• RQ5 该模型是否能在拉贾斯坦邦的不同降雨类型与空间尺度上实现有效泛化？

主要发现

• 在WRD站点数据集上，DWMRPM的整体RMSE为9.9637，MAE为7.2052，优于MLP（RMSE：10.2014，MAE：7.0106）和1D-CNN（RMSE：11.8901，MAE：7.9931）。
• 在IMD网格化数据集上，DWMRPM实现了最低的整体RMSE（9.0598）和MAE（4.2830），优于MLP（RMSE：11.5009，MAE：8.4529）和1D-CNN（RMSE：9.5039，MAE：4.6780）。
• 在6月，DWMRPM在IMD数据集上实现了最佳RMSE（4.0239）和MAE（3.1371），显著优于1D-CNN（RMSE：5.9660，MAE：5.0429）。
• 该模型在所有季风月份（6月至9月）均表现出一致性能，且在两个数据集上8月的误差指标最低。
• 可视化对比（图6和图7）显示，DWMRPM在沙漠、山地和平原等多种区域中均能紧密跟踪实际降雨趋势，表明其具有强大的泛化能力。
• 该模型成功捕捉了区域降雨变异性，即使在极端气候区（如西北部沙漠和东南部高原）也实现了准确预测。