AdaNAS: Adaptively Post-processing with Self-supervised Neural Architecture Search for Ensemble Rainfall Forecasts

要約

数値天気予報 (NWP) を使用した降雨予測に関するこれまでの後処理研究は、主に統計ベースの側面に焦点を当てており、学習ベースの側面はほとんど調査されていません。
精度を高めるために手動で設計されたモデルもいくつか提案されていますが、それらはカスタマイズされたネットワークであり、繰り返し試行と検証を行う必要があり、多大な時間と労力がかかります。
そこで本研究では、降雨予測の後処理を行い、降雨を高精度に予測するために、多大な手作業を必要としないAdaNASと呼ばれる自己教師ありニューラルアーキテクチャ探索（NAS）手法を提案する。
さらに、降雨量を考慮した検索スペースを設計して、降雨量の多い地域の予測を大幅に改善します。
さらに、訓練中のノイズデータの影響を排除するために、降雨レベルの正則化関数を提案します。
検証実験は、TIGGE という大規模降水ベンチマークで \emph{なし}、\emph{軽い}、\emph{中程度}、\emph{重い}、\emph{激しい}のケースで実行されました。
最後に、提案された AdaNAS モデルの平均絶対誤差 (MAE) と平均二乗平均平方根誤差 (RMSE) は、それぞれ 0.98 mm/日と 2.04 mm/日です。
さらに、提案された AdaNAS モデルは、他のニューラル アーキテクチャ検索手法や以前の研究と比較されます。
比較結果から、降水量予測と強度分類の点で、提案した AdaNAS モデルの満足のいく性能と優位性が明らかになりました。
具体的には、提案された AdaNAS モデルは、MAE と RMSE がそれぞれ 80.5% および 80.3% 改善され、以前の最高のパフォーマンスを示した手動手法を上回りました。

要約(オリジナル)

Previous post-processing studies on rainfall forecasts using numerical weather prediction (NWP) mainly focus on statistics-based aspects, while learning-based aspects are rarely investigated. Although some manually-designed models are proposed to raise accuracy, they are customized networks, which need to be repeatedly tried and verified, at a huge cost in time and labor. Therefore, a self-supervised neural architecture search (NAS) method without significant manual efforts called AdaNAS is proposed in this study to perform rainfall forecast post-processing and predict rainfall with high accuracy. In addition, we design a rainfall-aware search space to significantly improve forecasts for high-rainfall areas. Furthermore, we propose a rainfall-level regularization function to eliminate the effect of noise data during the training. Validation experiments have been performed under the cases of \emph{None}, \emph{Light}, \emph{Moderate}, \emph{Heavy} and \emph{Violent} on a large-scale precipitation benchmark named TIGGE. Finally, the average mean-absolute error (MAE) and average root-mean-square error (RMSE) of the proposed AdaNAS model are 0.98 and 2.04 mm/day, respectively. Additionally, the proposed AdaNAS model is compared with other neural architecture search methods and previous studies. Compared results reveal the satisfactory performance and superiority of the proposed AdaNAS model in terms of precipitation amount prediction and intensity classification. Concretely, the proposed AdaNAS model outperformed previous best-performing manual methods with MAE and RMSE improving by 80.5\% and 80.3\%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google