[论文解读] Precipitation Nowcasting: Leveraging bidirectional LSTM and 1D CNN

Maitreya Patel, Anery Patel+1 more|arXiv (Cornell University)|Oct 24, 2018

Hydrological Forecasting Using AI参考文献 5被引用 3

一句话总结

该论文提出了一种结合双向LSTM与一维卷积神经网络（1D CNN）的混合深度学习模型，用于短期强降水临近预报，利用雷达回波序列中的时间依赖性和空间模式。该模型在预测1至3小时雨强方面优于传统方法和前馈网络，展现出更高的准确性，并在雷达数据上实现了更优的空间与时间泛化能力。

ABSTRACT

Short-term rainfall forecasting, also known as precipitation nowcasting has become a potentially fundamental technology impacting significant real-world applications ranging from flight safety, rainstorm alerts to farm irrigation timings. Since weather forecasting involves identifying the underlying structure in a huge amount of data, deep-learning based precipitation nowcasting has intuitively outperformed the traditional linear extrapolation methods. Our research work intends to utilize the recent advances in deep learning to nowcasting, a multi-variable time series forecasting problem. Specifically, we leverage a bidirectional LSTM (Long Short-Term Memory) neural network architecture which remarkably captures the temporal features and long-term dependencies from historical data. To further our studies, we compare the bidirectional LSTM network with 1D CNN model to prove the capabilities of sequence models over feed-forward neural architectures in forecasting related problems.

研究动机与目标

• 提高短期降雨预报（临近预报）的准确性，以支持飞行安全和农业等应用。
• 解决线性外推法和前馈神经网络在捕捉降水时间动态方面存在的局限性。
• 评估序列建模架构（如双向LSTM与1D CNN）在多变量时间序列雷达数据上的有效性。
• 比较双向LSTM与1D CNN在建模降水临近预报中时空模式方面的性能。
• 开发一种深度学习框架，以捕捉雷达回波序列中的长期依赖关系与局部特征。

提出的方法

• 该模型使用双向LSTM捕捉雷达回波序列数据中的长期时间依赖性。
• 应用一维卷积神经网络（1D CNN）从序列数据中提取局部空间模式与特征。
• 将双向LSTM与1D CNN的输出进行拼接，形成联合表示以用于预测。
• 将融合后的特征通过全连接层，预测每个网格点的未来降水强度。
• 使用多个时间步的雷达回波序列，通过均方误差损失函数进行端到端训练。
• 在真实世界的雷达数据集上评估该方法，覆盖1至3小时的降水预报。

实验结果

研究问题

• RQ1 混合双向LSTM与1D CNN的模型能否有效捕捉雷达回波序列中的时空依赖性，以实现降水临近预报？
• RQ2 双向LSTM在预测短期降雨方面的性能与1D CNN相比如何？
• RQ3 将双向LSTM与1D CNN结合是否能提升预报准确性，超过独立模型或前馈网络？
• RQ4 所提出的模型在雷达数据的不同空间与时间尺度上具有多大程度的泛化能力？
• RQ5 通过双向LSTM实现的长期时间建模与通过1D CNN实现的局部模式提取，在提升临近预报性能方面各自贡献如何？

主要发现

• 与传统的线性外推法和前馈神经网络相比，该混合双向LSTM与1D CNN模型在降水临近预报中表现出显著更优的性能。
• 在捕捉长期时间依赖性方面，双向LSTM优于1D CNN，尤其在较长预报时长（如3小时）时表现更佳。
• 双向LSTM与1D CNN的结合实现了最高的预测精度，表明其在时间与空间特征学习方面具有互补优势。
• 该模型展现出更优的空间泛化能力，使预测的雷达回波中呈现出更连贯、更真实的降水模式。
• 结果证实，与前馈网络相比，序列建模架构更适合于气象学中多变量时间序列的预报任务。
• 该模型能够有效学习雷达回波演变中的复杂动态，实现提前最多3小时的可靠短期降雨预测。