Super-resolution Probabilistic Rain Prediction from Satellite Data Using 3D U-Nets and EarthFormers

要約

正確でタイムリーな雨の予測は、意思決定にとって非常に重要であり、また、困難な課題でもある。本論文では、マルチバンド衛星画像に基づく8時間の確率的雨量予測のために、3次元U-NetとEarthFormerを用いた、Weather4cast 2022 NeurIPSコンペティションで2位を獲得したソリューションを紹介します。入力衛星画像の空間的なコンテクスト効果を深く追求し、最適なコンテクスト範囲を見いだしました。雨の分布のアンバランスに基づき、異なる損失関数で複数のモデルを学習させた。モデル性能をさらに向上させるために、マルチモデルアンサンブルと閾値最適化を用いて、最終的な確率的雨量予測を行った。実験結果とリーダーボードのスコアは、最適な空間コンテキスト、複合損失関数、マルチモデルアンサンブル、および閾値最適化のすべてが、適度なモデル利得をもたらすことを実証している。並べ替え検定を使用して、雨予測における各衛星バンドの効果を分析した結果、雲頂位相（8.7 um）と雲頂高度（10.8および13.4 um）を示す衛星バンドが雨予測の最良予測因子であることが示されました。ソースコードは https://github.com/bugsuse/weather4cast-2022-stage2 で公開されています。

要約(オリジナル)

Accurate and timely rain prediction is crucial for decision making and is also a challenging task. This paper presents a solution which won the 2 nd prize in the Weather4cast 2022 NeurIPS competition using 3D U-Nets and EarthFormers for 8-hour probabilistic rain prediction based on multi-band satellite images. The spatial context effect of the input satellite image has been deeply explored and optimal context range has been found. Based on the imbalanced rain distribution, we trained multiple models with different loss functions. To further improve the model performance, multi-model ensemble and threshold optimization were used to produce the final probabilistic rain prediction. Experiment results and leaderboard scores demonstrate that optimal spatial context, combined loss function, multi-model ensemble, and threshold optimization all provide modest model gain. A permutation test was used to analyze the effect of each satellite band on rain prediction, and results show that satellite bands signifying cloudtop phase (8.7 um) and cloud-top height (10.8 and 13.4 um) are the best predictors for rain prediction. The source code is available at https://github.com/bugsuse/weather4cast-2022-stage2.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL