Learning Robust Precipitation Forecaster by Temporal Frame Interpolation

要約

近年のディープラーニングの進歩は、気象予測モデルを大幅に向上させた。しかし、これらのモデルは、空間的・時間的シフトに敏感であるため、実世界のシナリオではしばしば失敗する。この問題は特に気象予測において深刻であり、特にきめ細かい予測を課された場合、モデルは局所的・時間的変動に過剰適合しやすい。本論文では、このような空間的・時間的不一致に対する回復力を示すロバストな降水量予測モデルを開発することで、これらの課題に対処する。我々は、衛星画像と地上レーダーデータから隣接するフレームを補間することによって合成サンプルを生成し、フレームノイズに対するモデルのロバスト性を向上させることによって、学習データセットを強化する新しい手法である時間フレーム補間（TFI）を導入する。さらに、降雨強度の順序性を利用してモデルの性能を向上させるために、独自のマルチレベルダイス（ML-Dice）損失関数を組み込んだ。私たちのアプローチは予測精度の大幅な向上につながり、その結果、私たちのモデルは「Weather4cast’23」コンペティションの伝達学習リーダーボードで1位を獲得しました。この成果は、私たちの手法の有効性を強調するだけでなく、天気予報におけるディープラーニング応用の新たな基準を確立するものです。私たちのコードと重みは⾵⽊に公開されています。

要約(オリジナル)

Recent advances in deep learning have significantly elevated weather prediction models. However, these models often falter in real-world scenarios due to their sensitivity to spatial-temporal shifts. This issue is particularly acute in weather forecasting, where models are prone to overfit to local and temporal variations, especially when tasked with fine-grained predictions. In this paper, we address these challenges by developing a robust precipitation forecasting model that demonstrates resilience against such spatial-temporal discrepancies. We introduce Temporal Frame Interpolation (TFI), a novel technique that enhances the training dataset by generating synthetic samples through interpolating adjacent frames from satellite imagery and ground radar data, thus improving the model’s robustness against frame noise. Moreover, we incorporate a unique Multi-Level Dice (ML-Dice) loss function, leveraging the ordinal nature of rainfall intensities to improve the model’s performance. Our approach has led to significant improvements in forecasting precision, culminating in our model securing \textit{1st place} in the transfer learning leaderboard of the \textit{Weather4cast’23} competition. This achievement not only underscores the effectiveness of our methodologies but also establishes a new standard for deep learning applications in weather forecasting. Our code and weights have been public on \url{https://github.com/Secilia-Cxy/UNetTFI}.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL