[论文解读] Application of Deep Convolutional Neural Networks for Detecting Extreme Weather in Climate Datasets

Yunjie Liu, Evan Racah+7 more|arXiv (Cornell University)|May 4, 2016

Traffic Prediction and Management Techniques参考文献 30被引用 315

一句话总结

论文提出基于CNN的方法，在气候数据集中检测极端气候事件（热带气旋、大气河川、天气锋线），实现高准确率并避免主观阈值。

ABSTRACT

Detecting extreme events in large datasets is a major challenge in climate science research. Current algorithms for extreme event detection are build upon human expertise in defining events based on subjective thresholds of relevant physical variables. Often, multiple competing methods produce vastly different results on the same dataset. Accurate characterization of extreme events in climate simulations and observational data archives is critical for understanding the trends and potential impacts of such events in a climate change content. This study presents the first application of Deep Learning techniques as alternative methodology for climate extreme events detection. Deep neural networks are able to learn high-level representations of a broad class of patterns from labeled data. In this work, we developed deep Convolutional Neural Network (CNN) classification system and demonstrated the usefulness of Deep Learning technique for tackling climate pattern detection problems. Coupled with Bayesian based hyper-parameter optimization scheme, our deep CNN system achieves 89\%-99\% of accuracy in detecting extreme events (Tropical Cyclones, Atmospheric Rivers and Weather Fronts

研究动机与目标

• 在大型气候数据集中为客观、数据驱动的极端天气模式检测的需求提供动机。
• 开发能够从带标签的多变量数据中学习高层次气候模式表示的深度CNN架构。
• 减少对气候分析中基于主观阈值的事件定义的依赖。
• 展示贝叶斯超参数优化以提升模型性能。
• 使用真实气候数据集评估CNN在多种事件类型上的性能。

提出的方法

• 将极端天气检测表述为使用CNN的视觉模式识别任务。
• 构建一个浅层4层的CNN（含2个卷积层、2个全连接层），使用ReLU激活和最大池化。
• 将气候变量堆叠成以事件为中心的图像补丁，作为模型输入。
• 应用贝叶斯优化（Spearmint）来调优训练超参数。
• 分别训练并评估针对热带气旋、大气河川和天气锋的CNN。
• 在最后一层使用逻辑激活以产生类别概率。

实验结果

研究问题

• RQ1 深度CNN是否能够从多变量气候数据中学习区分热带气旋、大气河川和天气锋的表征？
• RQ2 在使用贝叶斯优化超参数的浅层CNN的情况下，每种事件类型可以达到多少分类准确率？
• RQ3 通过从带标签的示例学习，避免主观阈值在极端事件检测中是否可行？
• RQ4 在给定数据约束的情况下，训练时间和性能如何在不同事件类型之间变化？

主要发现

• 热带气旋分类在≈30分钟训练时间内达到99%的训练准确率和99%的测试准确率。
• 大气河川分类在6–7小时训练时间内达到90.5%的训练准确率和90%的测试准确率。
• 天气锋分类在≈30分钟训练时间内达到88.7%的训练准确率和89.4%的测试准确率。
• 由于小型浅层结构和权重衰减正则化，模型未显示过拟合。
• CNNs可以从带标签的数据中学习气候模式，而无需依赖主观阈值标准。