[论文解读] Precipitation nowcasting using a stochastic variational frame predictor with learned prior distribution

Alexander Bihlo|arXiv (Cornell University)|May 13, 2019

Precipitation Measurement and Analysis被引用 28

一句话总结

本文提出一种带有学习先验分布的随机变分帧预测器，用于基于雷达反射率图的短时强降水临近预报，相较于标准卷积LSTM模型，显著提升了长期预报的清晰度。该方法从历史帧中学习动态先验分布以建模不确定性与物理演化过程，生成的2.5小时预报在结构相似性指数（SSIM）退化程度更低，同时显著提升了图像清晰度与准确性。

ABSTRACT

We propose the use of a stochastic variational frame prediction deep neural network with a learned prior distribution trained on two-dimensional rain radar reflectivity maps for precipitation nowcasting with lead times of up to 2 1/2 hours. We present a comparison to a standard convolutional LSTM network and assess the evolution of the structural similarity index for both methods. Case studies are presented that illustrate that the novel methodology can yield meaningful forecasts without excessive blur for the time horizons of interest.

研究动机与目标

• 为解决短时降水临近预报的病态性问题，即存在多个在物理上合理的未来状态。
• 在标准卷积LSTM模型的局限性基础上，提升长期降水临近预报性能，特别是解决其在后续帧中普遍存在的模糊化问题。
• 通过从历史雷达数据中学习帧相关的先验分布，对降水演变过程中的不确定性进行建模。
• 开发一种端到端可训练的深度学习模型，仅需极少预处理，适用于实时业务应用。
• 通过随机采样生成多个可能的未来降水情景，实现类似集合预报的预测能力。

提出的方法

• 该模型采用编码器-预测-解码器架构，类似于条件变分自编码器，通过递归推理网络实现潜在空间推理。
• 一个随机预测头从多元高斯先验分布 $ p_{\text{prior}}(\mathbf{z}_t|\mathbf{x}_{1:i-1}) $ 中采样，该先验分布由先前雷达帧学习得到，用于编码随时间演化的物理动力学。
• 先验分布与推理网络联合训练，采用变分下界目标函数，其中包含Kullback–Leibler散度项，以使 $ q_{\text{inf}}(\mathbf{z}_i|\mathbf{x}_{1:i}) $ 与 $ p_{\text{prior}}(\mathbf{z}_i|\mathbf{x}_{1:i-1}) $ 对齐。
• 模型在2D雷达反射率图序列上进行训练，采用重建损失和KL散度正则化项，以确保潜在表示具有实际意义。
• 预测过程通过从学习到的先验中采样并解码生成未来雷达帧，多个实现用于评估不确定性。
• 该框架支持端到端训练，无需大量预处理，且可通过从随机先验中采样实现概率化预报。

实验结果

研究问题

• RQ1 与确定性卷积LSTM相比，带有学习先验的随机变分帧预测器是否能显著提升长期降水临近预报的准确性？
• RQ2 所学习的先验分布是否能有效编码降水系统在时间维度上的物理演化规律？
• RQ3 在较长预报时效（最多2.5小时）下，该模型在结构相似性（SSIM）指标上的表现如何？
• RQ4 该模型在多大程度上减轻了确定性视频预测模型中常见的模糊化伪影？
• RQ5 该模型能否生成多个反映风暴发展不确定性的合理未来降水情景？

主要发现

• 该随机变分帧预测器在所有超过第6帧的预报时长中，SSIM得分显著优于标准卷积LSTM，且SSIM退化速率明显更慢。
• 尽管卷积LSTM在前两帧的预报表现优于本模型，但其SSIM在后续帧中急剧下降，表明在后期帧中存在严重的模糊化现象。
• 所提方法在案例研究中生成了更清晰、更逼真的降水系统演变过程，尤其在平流型与对流型降水系统中表现突出。
• 该模型通过生成多个实现（取10次采样平均）展示了有意义的不确定性量化能力，而确定性LSTM仅输出单一固定预报结果。
• 所学习的先验分布有效捕捉了降水系统的时序动态特性，从而支持更符合物理规律的长期预报。
• 实际训练中，该模型比标准卷积LSTM更易训练，后者需要更长的训练周期。