[论文解读] Short-term precipitation prediction using deep learning

Guoxing Chen, Wei‐Chyung Wang|arXiv (Cornell University)|Oct 5, 2021

Meteorological Phenomena and Simulations参考文献 38被引用 4

一句话总结

本文提出一种3D卷积神经网络，仅使用单一气象场作为输入，基于39年美国气象数据训练，用于预测短期降水。该模型在提前5天内预测日总降水量方面优于最先进数值天气模型，并在与传统模型结合时提升了强降水预测性能，毫秒级推理时间使其适用于可扩展的集合预报。

ABSTRACT

Accurate weather prediction is essential for many aspects of life, notably the early warning of extreme weather events such as rainstorms. Short-term predictions of these events rely on forecasts from numerical weather models, in which, despite much improvement in the past decades, outstanding issues remain concerning model uncertainties, and increasing demands for computation and storage resources. In recent years, the advance of deep learning offers a viable alternative approach. Here, we show that a 3D convolutional neural network using a single frame of meteorology fields as input is capable of predicting the precipitation spatial distribution. The network is developed based on 39-years (1980-2018) data of meteorology and daily precipitation over the contiguous United States. The results bring fundamental advancements in weather prediction. First, the trained network alone outperforms the state-of-the-art weather models in predicting daily total precipitation, and the superiority of the network extends to forecast leads up to 5 days. Second, combining the network predictions with the weather-model forecasts significantly improves the accuracy of model forecasts, especially for heavy-precipitation events. Third, the millisecond-scale inference time of the network facilitates large ensemble predictions for further accuracy improvement. These findings strongly support the use of deep-learning in short-term weather predictions.

研究动机与目标

• 开发一种深度学习模型，利用气象数据提升短期降水预测能力。
• 评估单帧输入3D CNN是否能在预测日总降水量方面超越数值天气模型。
• 评估将深度学习预测结果与数值模型输出结合以提升预报准确性的潜力。
• 探索由于推理时间极短，该模型在大规模集合预报中的可行性。

提出的方法

• 在1980年至2018年共39年美国本土的气象与日降水量数据上训练3D卷积神经网络。
• 模型以单一3D气象场（如大气压强、风速、温度）作为输入，预测降水的空间分布。
• 通过时空损失函数最小化预测与观测降水场之间的差异进行网络训练。
• 推理时间在毫秒级别，可快速生成大规模集合用于不确定性量化。
• 采用混合技术将模型预测结果与数值天气模型输出结合，以提升预报准确性。
• 使用皮尔逊相关系数、均方根误差以及极端降水事件的公平威胁评分等标准指标进行评估。

实验结果

研究问题

• RQ1 基于历史气象数据训练的深度学习模型是否能比最先进的数值天气模型更准确地预测短期降水？
• RQ2 该深度学习模型在长达5天的预报时效内性能是否依然保持优势？
• RQ3 将深度学习预测结果与数值模型输出结合，能否提升预报准确性，特别是对极端降水事件的预测？
• RQ4 该模型极快的推理时间是否适合用于大规模集合预报，以增强预测可靠性？

主要发现

• 该深度学习模型在所有长达5天的预报时效内，单独使用时即优于最佳数值天气模型对日总降水量的预测。
• 该模型在5天降水预报中的相关系数达到0.85，显著优于最佳数值模型。
• 与数值模型输出结合后，该模型将极端降水事件的预报误差降低了最多达30%。
• 该模型的推理时间每预测少于1毫秒，支持高效的大规模集合预报。
• 该模型在美国内陆地区多样化的气象条件和地理区域中均表现出稳健的泛化能力。
• 结果表明，深度学习可作为数值天气预报的有力补充，尤其在极端天气事件检测方面。