[论文解读] Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network

Vikas Bajpai, Anukriti Bansal+2 more|arXiv (Cornell University)|Oct 22, 2020

Hydrological Forecasting Using AI被引用 4

一句话总结

本文提出了一种深度与宽广的降雨预测模型（DWRPM），通过结合卷积特征提取与多层感知机（MLP）来预测印度拉贾斯坦邦的日降雨量，使用了71年的历史降雨数据。该模型在MAE=0.7765和RMSE=2.1716的指标下，优于MLP、LSTM和1D-CNN，在拉贾斯坦邦158个雨量计站点上表现出卓越的泛化能力，展示了在不同地理区域中的强适应性。

ABSTRACT

Rainfall is a natural process which is of utmost importance in various areas including water cycle, ground water recharging, disaster management and economic cycle. Accurate prediction of rainfall intensity is a challenging task and its exact prediction helps in every aspect. In this paper, we propose a deep and wide rainfall prediction model (DWRPM) and evaluate its effectiveness to predict rainfall in Indian state of Rajasthan using historical time-series data. For wide network, instead of using rainfall intensity values directly, we are using features obtained after applying a convolutional layer. For deep part, a multi-layer perceptron (MLP) is used. Information of geographical parameters (latitude and longitude) are included in a unique way. It gives the model a generalization ability, which helps a single model to make rainfall predictions in different geographical conditions. We compare our results with various deep-learning approaches like MLP, LSTM and CNN, which are observed to work well in sequence-based predictions. Experimental analysis and comparison shows the applicability of our proposed method for rainfall prediction in Rajasthan.

研究动机与目标

• 为拉贾斯坦邦开发一个稳健的降雨预测模型，该地区是严重依赖季风降雨的干旱地区，易受干旱和洪水影响。
• 通过整合宽广与深度学习架构，改进现有深度学习模型，以在不同地理区域中实现更好的泛化能力。
• 评估模型在1957–2017年间拉贾斯坦邦33个行政区的每日历史降雨数据上的性能。
• 将所提出的DWRPM与标准深度学习基线模型（如MLP、LSTM和1D-CNN）进行比较，用于基于序列的降雨预测。
• 评估模型在不同大气区域（包括平原、高原和沙漠地区）的泛化能力。

提出的方法

• DWRPM的宽广部分使用1D卷积层从原始日降雨序列中提取时间模式，替代直接输入降雨强度值。
• 深度部分采用多层感知机（MLP）来建模提取特征中的复杂非线性关系。
• 地理坐标（纬度和经度）以独特方式嵌入并整合到模型中，以增强在不同区域的泛化能力。
• 模型在拉贾斯坦邦158个雨量计站点的71年（1957–2017）日降雨数据上进行训练，数据被划分为训练集和测试集。
• 通过在区域层面和站点层面的预测中使用MAE和RMSE评估性能，以衡量泛化能力和区域精度。
• 将模型与基线深度学习模型（MLP、1D-CNN和LSTM）进行比较，所有模型均在相同的实验设置下训练。

实验结果

研究问题

• RQ1 基于仅71年的历史降雨数据，深度与宽广神经网络架构能否有效预测拉贾斯坦邦的日降雨量？
• RQ2 地理坐标的整合在多大程度上提升了模型在拉贾斯坦邦不同气候区域中的泛化能力？
• RQ3 DWRPM在日降雨预测精度方面是否优于标准深度学习模型（如MLP、LSTM和1D-CNN）？
• RQ4 单一训练模型在多大程度上能泛化到拉贾斯坦邦的不同大气区域（如沙漠、山地、平原和高原地区）？
• RQ5 该模型在极端降雨事件（尤其是强降雨和特大降雨）中的表现如何？

主要发现

• DWRPM在拉贾斯坦邦全部158个雨量计站点上实现了0.7765的平均绝对误差（MAE）和2.1716的均方根误差（RMSE），优于MLP、LSTM和1D-CNN。
• 模型表现出强大的泛化能力，在从不同大气区域随机选取的4个雨量计站点中，MAE值为0.43–0.67，RMSE值为0.60–1.59。
• 区域层面的性能显示，西北沙漠区误差最低（MAE=0.679，RMSE=1.512），而东南高原区误差略高（MAE=0.903，RMSE=2.613）。
• DWRPM优于所有基线模型，其次为1D-CNN（MAE=0.8406，RMSE=2.2894），随后是LSTM（MAE=0.8750，RMSE=2.3095），最后是MLP（MAE=1.3137，RMSE=2.7808）。
• 模型在不同地理条件下的表现一致，表明通过将纬度和经度作为输入特征整合，实现了有效的泛化。
• 尽管在轻度和中度降雨预测中表现良好，但该模型在预测极端降雨事件（如强降雨和特大降雨）方面仍有改进空间。