[论文解读] WF-UNet: Weather Fusion UNet for Precipitation Nowcasting

Christos Kaparakis, Siamak Mehrkanoon|arXiv (Cornell University)|Feb 8, 2023

Meteorological Phenomena and Simulations被引用 5

一句话总结

本文提出WF-UNet，一种基于3D UNet的新型深度学习模型，通过融合雷达降水量和风速数据，实现对西欧地区短时（最多3小时）降水的临近预报。通过采用双流决策层特征融合策略，WF-UNet在1小时预报时的均方误差（MSE）比次佳模型低22%，显著优于基线UNet和持续性模型。

ABSTRACT

Designing early warning systems for harsh weather and its effects, such as urban flooding or landslides, requires accurate short-term forecasts (nowcasts) of precipitation. Nowcasting is a significant task with several environmental applications, such as agricultural management or increasing flight safety. In this study, we investigate the use of a UNet core-model and its extension for precipitation nowcasting in western Europe for up to 3 hours ahead. In particular, we propose the Weather Fusion UNet (WF-UNet) model, which utilizes the Core 3D-UNet model and integrates precipitation and wind speed variables as input in the learning process and analyze its influences on the precipitation target task. We have collected six years of precipitation and wind radar images from Jan 2016 to Dec 2021 of 14 European countries, with 1-hour temporal resolution and 31 square km spatial resolution based on the ERA5 dataset, provided by Copernicus, the European Union's Earth observation programme. We compare the proposed WF-UNet model to persistence model as well as other UNet based architectures that are trained only using precipitation radar input data. The obtained results show that WF-UNet outperforms the other examined best-performing architectures by 22%, 8% and 6% lower MSE at a horizon of 1, 2 and 3 hours respectively.

研究动机与目标

• 开发一种数据驱动的深度学习模型，以超越仅使用雷达降水量数据的模型，提升短时降水临近预报的准确性。
• 探究在降水预报性能中引入风速作为额外输入模态的影响。
• 设计一种有效的融合机制，以整合多天气变量的时空特征，提升临近预报性能。
• 在西欧地区评估模型在不同降水强度水平和预报时长（1–3小时）下的性能表现。
• 证明多模态气象数据的决策层融合可显著提升预测准确性，优于单模态或早期融合方法。

提出的方法

• WF-UNet在Core 3D-UNet架构基础上扩展，引入两条并行输入流：一条用于降水量雷达数据，另一条用于风速数据。
• 每条流均通过包含3D卷积和残差块的下采样路径，提取分层的时空特征。
• 两条流的特征图在决策层（即最终上采样层之后）进行拼接，实现互补信息的后期融合。
• 模型采用端到端训练，使用均方误差（MSE）损失函数，回归未来时间步的像素级降水强度。
• 数据集包含2016至2021年共六年、时间分辨率为1小时、空间分辨率为31 km²的14个欧洲国家雷达数据，来源于ERA5再分析数据集。
• 性能评估基于MSE、精确率、召回率和F1分数，测试集包括EU-20（≥20%降雨像素）和EU-50（≥50%降雨像素）两个子集。

实验结果

研究问题

• RQ1 与仅使用雷达降水量数据的模型相比，引入风速数据作为额外输入是否能提升降水临近预报的准确性？
• RQ2 在预测性能方面，降水与风速流的决策层特征融合策略相较于早期融合或晚期融合策略表现如何？
• RQ3 在1、2和3小时预报时长下，WF-UNet相较于最先进UNet模型和持续性基线模型的相对性能提升如何？
• RQ4 模型性能在不同降水强度水平（如轻雨与强雨）下有何差异？
• RQ5 多模态气象数据的融合是否能提升输出中降水像素的定位准确性？

主要发现

• 在EU-50数据集上，WF-UNet在1小时预报时的MSE比次佳模型（Core UNet）低22%，MSE值为6.34e-04。
• 在2小时预报时，WF-UNet相比最佳基线模型将MSE降低8%，达到4.87e-04的MSE。
• 在3小时预报时，WF-UNet相比最佳基线模型将MSE降低6%，达到6.34e-04的MSE。
• 在所有预报时长下，WF-UNet均表现出更优的精确率与召回率，在EU-50数据集上1小时预报时精确率为0.933，召回率为0.790。
• 与Core UNet相比，WF-UNet在1小时预报时提升二分类准确率6%，2小时预报时提升5%，3小时预报时提升5%。
• 特征可视化结果表明，两条流学习到的是不同且互补的表征：降水量流捕捉到回波结构，风速流则捕捉到动态流场模式。