[论文解读] Conditional Local Convolution for Spatio-temporal Meteorological Forecasting

Haitao Lin, Zhangyang Gao+4 more|arXiv (Cornell University)|Jan 4, 2021

Meteorological Phenomena and Simulations被引用 5

一句话总结

该论文提出了一种条件局部卷积方法，用于在不规则球面传感器网络上进行时空气象预报，通过可学习的、位置感知的卷积核建模局部空间模式。该方法利用地平线图将局部几何结构嵌入圆柱切线空间，引入距离和方向缩放项以处理不规则传感器分布，在递归神经网络架构（CLCRN）下实现了真实世界气象基准上的最先进性能。

ABSTRACT

Spatio-temporal forecasting is challenging attributing to the high nonlinearity in temporal dynamics as well as complex location-characterized patterns in spatial domains, especially in fields like weather forecasting. Graph convolutions are usually used for modeling the spatial dependency in meteorology to handle the irregular distribution of sensors' spatial location. In this work, a novel graph-based convolution for imitating the meteorological flows is proposed to capture the local spatial patterns. Based on the assumption of smoothness of location-characterized patterns, we propose conditional local convolution whose shared kernel on nodes' local space is approximated by feedforward networks, with local representations of coordinate obtained by horizon maps into cylindrical-tangent space as its input. The established united standard of local coordinate system preserves the orientation on geography. We further propose the distance and orientation scaling terms to reduce the impacts of irregular spatial distribution. The convolution is embedded in a Recurrent Neural Network architecture to model the temporal dynamics, leading to the Conditional Local Convolution Recurrent Network (CLCRN). Our model is evaluated on real-world weather benchmark datasets, achieving state-of-the-art performance with obvious improvements. We conduct further analysis on local pattern visualization, model's framework choice, advantages of horizon maps and etc.

研究动机与目标

• 解决在具有复杂非平稳动力学的不规则分布传感器上进行时空天气预报的挑战。
• 建模在地理区域间显著变化的局部气象模式，如气流和温度传输。
• 开发一种基于图的卷积方法，使其能够适应局部空间几何结构，同时保持方向性并处理不规则的传感器布置。
• 通过将位置表征模式的平滑性假设融入卷积核设计，提升预报精度。
• 在真实世界气象数据集上评估模型，并对关键组件如卷积核设计和特征图进行消融分析。

提出的方法

• 提出一种基于局部空间几何结构按节点变化的可学习、位置自适应卷积核，利用前馈网络从局部节点表征参数化卷积核。
• 利用地平线图将局部传感器坐标投影到圆柱切线空间，保持地理方向性，实现一致的局部模式建模。
• 引入距离和方向缩放项，减轻不规则传感器分布对卷积消息传递的影响。
• 将条件局部卷积嵌入递归神经网络（RNN）架构中，以建模时间动态，形成 CLCRN 框架。
• 采用基于图的消息传递机制，其中节点表征通过邻域聚合与位置自适应卷积核进行更新。
• 利用位置表征模式的平滑性假设，确保局部卷积核在相似地理区域间具有泛化能力。

实验结果

研究问题

• RQ1 可学习的、位置自适应的卷积核是否能提升在不规则分布气象传感器上的时空预报性能？
• RQ2 利用地平线图建模局部空间几何结构，对天气预报模型的准确性和鲁棒性有何影响？
• RQ3 在卷积核中，距离、方向和学习表征的相对贡献如何，以捕捉局部模式？
• RQ4 所提出的 CLCRN 模型在多种气象变量的预报精度方面，与现有最先进模型相比表现如何？
• RQ5 关键超参数（如邻域大小和网络深度）对模型性能的影响是什么？

主要发现

• CLCRN 模型在真实世界气象预报基准上实现了最先进性能，12小时预报中温度的平均绝对误差（MAE）为1.1688，云量的MAE为1.4906。
• 使用地平线图显著提升了性能，与对数图相比，温度的MAE降低了0.095，云量的MAE降低了0.069。
• 消融研究显示，角度缩放项对性能贡献最大，MLP + 角度组合取得最佳结果。
• 距离缩放项贡献最小，仅使用距离的模型表现较差，表明在此情境下其有效性低于几何方向性。
• 与基线模型相比，该模型在所有变量上表现出更高的稳定性和准确性，尤其在湿度和风速等高变化条件下，RMSE 和 MAE 均更低。
• 模型的局部模式可视化显示，学习到的卷积核能自适应地捕捉区域气象特征，如海岸锋面和急流，证实了局部模式建模方法的有效性。