[论文解读] Precipitaion Nowcasting using Deep Neural Network

Mohamed Chafik Bakkay, Mathieu Serrurier+9 more|arXiv (Cornell University)|Mar 24, 2022

Meteorological Phenomena and Simulations被引用 4

一句话总结

本文提出一种基于U-Net、ConvLSTM和SVG-LP模型的深度学习框架，用于在2D雷达降水量图上进行高分辨率降水短临预报。该方法引入一种保持空间上下文的图像块提取方法，并采用加权组合损失（WSSIM + WMSE），以减少模糊性并最小化零降水量像素的影响，从而在时空预测精度方面表现优异，尤其在使用U-Net和混合损失函数时表现更佳。

ABSTRACT

Precipitation nowcasting is of great importance for weather forecast users, for activities ranging from outdoor activities and sports competitions to airport traffic management. In contrast to long-term precipitation forecasts which are traditionally obtained from numerical models, precipitation nowcasting needs to be very fast. It is therefore more challenging to obtain because of this time constraint. Recently, many machine learning based methods had been proposed. We propose the use three popular deep learning models (U-net, ConvLSTM and SVG-LP) trained on two-dimensional precipitation maps for precipitation nowcasting. We proposed an algorithm for patch extraction to obtain high resolution precipitation maps. We proposed a loss function to solve the blurry image issue and to reduce the influence of zero value pixels in precipitation maps.

研究动机与目标

• 为应对在严格时间约束下实现快速、高分辨率降水短临预报的挑战，传统数值模型因计算成本过高而难以满足需求。
• 通过利用能够捕捉雷达观测降水中复杂时空模式的深度学习模型，提升预测精度。
• 通过引入一种图像块提取算法，避免标准缩放带来的分辨率损失，从而在保留邻近信息的前提下完整保留高分辨率空间上下文。
• 通过设计结合WSSIM和WMSE的加权混合损失函数，减轻深度学习预报中常见的模糊性以及零降水量像素带来的偏差影响。

提出的方法

• 模型被训练为对连续降水量值进行回归而非分类，从而输出真实值的降水量率。
• 一种图像块提取算法生成大小为256×256的输入图像块，每个目标图像块（大小为128×128）周围附加200像素的插值邻域，以保留局部空间上下文。
• 提出一种新型损失函数，结合结构相似性（SSIM）与加权均方误差（WMSE），通过像素级加权减少零降水量值的影响。
• 该损失函数旨在提升结构保真度（通过SSIM），同时减少模糊性；而加权机制可防止模型因雷达图中频繁出现的零值而受到过度惩罚。
• 评估了三种模型——U-Net（基于CNN）、ConvLSTM（基于RNN）和SVG-LP（基于随机RNN）——在预测未来1至1.5小时内降水序列方面的能力。

实验结果

研究问题

• RQ1 基于图像块的输入策略是否能在不导致GPU显存饱和的情况下，有效保留降水短临预报中的高分辨率空间信息？
• RQ2 与仅使用标准MSE或SSIM相比，结合WSSIM和WMSE的损失函数是否能提升预报的清晰度并减少模糊性？
• RQ3 在预测降水场时空演变方面，不同深度学习架构（U-Net、ConvLSTM和SVG-LP）的表现如何比较？
• RQ4 对损失函数进行加权在多大程度上减轻了零降水量像素对模型训练和预测质量的影响？

主要发现

• U-Net模型在预测强降水事件及保持准确雨带轮廓方面优于ConvLSTM和SVG-LP。
• 与WMSE相比，WSSIM损失函数在正确空间位置生成了更逼真的强降水区域（>5 mm/h），并在1 mm/h阈值下达到最高的F1分数。
• WSSIM与WMSE损失的组合（WSSIM+WMSE）取得了最佳整体性能，通过定性和定量评估均表明其在结构保真度与像素级精度之间实现了良好平衡。
• 采用200像素邻域信息的图像块提取方法，相比仅使用64像素边距的基线方法，显著提升了MAE和F1分数，证明了上下文空间输入的重要性。
• ConvLSTM在后续帧中表现出明显的模糊趋势，而SVG-LP则产生更多误报且预测精度较低，表明其在处理确定性大气动力学方面存在局限。