Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals for GPM: A U-Net Convolutional LSTM Architecture

要約

この論文では、4 時間のリードタイムで 30 分ごとにほぼ世界的な降水量をナウキャストするためのディープ ラーニング アーキテクチャを紹介します。
このアーキテクチャは、U-Net と畳み込み長短期記憶 (LSTM) ニューラル ネットワークを融合しており、Integrated MultisatellitE Retrievals for GPM (IMERG) からのデータと、Global Forecast System (GFS) からのいくつかの主要な降水ドライバーを使用してトレーニングされます。
平均二乗誤差 (回帰) や焦点損失 (分類) などのさまざまなトレーニング損失関数が降水ナウキャストの品質に与える影響が研究されています。
結果は、回帰ネットワークは軽い降水量 (1.6 mm/時未満) の捕捉では良好に機能しますが、極度の降水量 (> 8 mm/時) のナウキャスティングに関しては、クリティカル成功指数 (CSI) の点で分類ネットワークの方が回帰ネットワークよりも優れていることを示しています。Wasserstein 距離を使用すると、分類ネットワークによる予測降水量は回帰ネットワークよりも IMERG に近いクラス確率分布を持つことが示されます。
物理変数を含めることで、特に両方のネットワークのリードタイムが長い場合に、降水量のナウキャスティングを改善できることが判明しました。
IMERG を相対参照として取り上げ、分数スキル スコア (FSS) に関するマルチスケール分析では、GFS の 50 km と比較して、ナウキャスティング マシンが 10 km の解像度で熟練度を維持している (FSS > 0.5) ことを示しています。
降水量が 4 mm/hr を超える場合、2 時間のリード タイム内で 50 km を超えるスケールで FSS スキルを維持できるのは分類ネットワークだけです。

要約(オリジナル)

This paper presents a deep learning architecture for nowcasting of precipitation almost globally every 30 min with a 4-hour lead time. The architecture fuses a U-Net and a convolutional long short-term memory (LSTM) neural network and is trained using data from the Integrated MultisatellitE Retrievals for GPM (IMERG) and a few key precipitation drivers from the Global Forecast System (GFS). The impacts of different training loss functions, including the mean-squared error (regression) and the focal-loss (classification), on the quality of precipitation nowcasts are studied. The results indicate that the regression network performs well in capturing light precipitation (below 1.6 mm/hr), but the classification network can outperform the regression network for nowcasting of precipitation extremes (>8 mm/hr), in terms of the critical success index (CSI).. Using the Wasserstein distance, it is shown that the predicted precipitation by the classification network has a closer class probability distribution to the IMERG than the regression network. It is uncovered that the inclusion of the physical variables can improve precipitation nowcasting, especially at longer lead times in both networks. Taking IMERG as a relative reference, a multi-scale analysis in terms of fractions skill score (FSS), shows that the nowcasting machine remains skillful (FSS > 0.5) at the resolution of 10 km compared to 50 km for GFS. For precipitation rates greater than 4~mm/hr, only the classification network remains FSS-skillful on scales greater than 50 km within a 2-hour lead time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google