[论文解读] Machine Learning for Precipitation Nowcasting from Radar Images

Shreya Agrawal, Luke Barrington+4 more|arXiv (Cornell University)|Dec 11, 2019

Meteorological Phenomena and Simulations参考文献 14被引用 239

一句话总结

本文将降水预报(nowcasting)视为图像到图像转换，使用 U-Net 从 MRMS 雷达序列预测 1 小时前瞻、1 公里分辨率的降水量；在短时预报中优于保持、光流法和 HRRR。约在 5 小时后 HRRR 赶超。

ABSTRACT

High-resolution nowcasting is an essential tool needed for effective adaptation to climate change, particularly for extreme weather. As Deep Learning (DL) techniques have shown dramatic promise in many domains, including the geosciences, we present an application of DL to the problem of precipitation nowcasting, i.e., high-resolution (1 km x 1 km) short-term (1 hour) predictions of precipitation. We treat forecasting as an image-to-image translation problem and leverage the power of the ubiquitous UNET convolutional neural network. We find this performs favorably when compared to three commonly used models: optical flow, persistence and NOAA's numerical one-hour HRRR nowcasting prediction.

研究动机与目标

• 推动高分辨率 nowcasting，以支持气候适应和灾害响应。
• 使用雷达图像开发数据驱动、低时延的 nowcasting 模型。
• 将基于 CNN 的 nowcasting 与传统方法（保持、光流、HRRR）进行比较。
• 在美国大陆的 1 km x 1 km 瓦片上运行，并通过对多雨瓦片的过采样来解决数据不平衡。

提出的方法

• 将 nowcasting 视为图像到图像转换，使用 U-Net CNN。
• 输入一序列共七张间隔十分钟的 MRMS 图像，覆盖一小时；通道包括时刻和像素纬度/经度。
• 输出在最后一个输入图像后一个小时的 MRMS 图像，量化为降水阈值。
• 标签图像量化为四个范围：[0,0.1),[0.1,1.0),[1.0,2.5),[2.5,∞)。
• 使用像素级交叉熵损失和 ADADELTA 优化；在块内加入长跳跃连接和短跳跃连接。

实验结果

研究问题

• RQ1 基于 U-Net 的 CNN 能否从短雷达历史中准确预测 1 小时前瞻、分辨率为 1 km 的降水？
• RQ2 基于 CNN 的 nowcasting 模型与 MRMS 保持、光流和 HRRR 的 1 小时预报相比如何？
• RQ3 基于瓦片的训练和对多雨区域的过采样对预测性能有何影响？
• RQ4 如时段时间与位置信息等输入模态是否提升 nowcasting 的准确性？

主要发现

• 基于 CNN 的模型在短期 nowcasting 中优于保持、光流和 HRRR 的 1 小时预报。
• 对于 1 小时预测，HRRR 仍未超过 CNN；HRRR 的性能相对于 CNN 仅在更长的预报窗口（大约 5 小时）时提升。
• 该方法在美国大陆使用 1 km x 1 km 的瓦片，通过过采样使 80% 的瓦片有雨，以解决类别不均衡。
• 预测以每像素的阈值概率来表达，使对降雨率的概率陈述变得明确。
• 模型在 2018 年的 MRMS 数据上训练，在 2017 和 2019 的前后半年进行测试，表明在研究期内的跨年泛化。