Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. № 6. С. 35-48
Нейросетевые методы наукастинга осадков: обзор и апробация существующих решений
М.О. Кучма
1, 2 , С.И. Мальковский
1 , А.И. Андреев
1, 2 , В.Д. Блощинский
1, 2 1 Вычислительный центр ДВО РАН, Хабаровск, Россия
2 Дальневосточный центр НИЦ «Планета», Хабаровск, Россия
Одобрена к печати: 18.10.2023
DOI: 10.21046/2070-7401-2023-20-6-35-48
В последние годы среди исследователей и метеорологических агентств разных стран отмечается рост интереса в области прогноза текущей погоды с использованием наземных и спутниковых систем наблюдений. В связи с этим в настоящей работе представлен обзор последних достижений в этой области. В частности, рассмотрены современные нейросетевые методы наукастинга для решения задачи экстраполяции последовательности цифровых матриц, содержащих информацию об интенсивности осадков за предыдущие сроки наблюдений. При этом особое внимание уделяется возможности прогнозирования осадков, где в качестве основного источника информации используются данные геостационарных космических аппаратов, что обусловлено большим территориальным покрытием, в том числе для отдалённых территорий. Используя общедоступный набор данных SEVIR (англ. Storm EVent ImagRy), объединяющий наземные и спутниковые наблюдения за осадками и опасными явлениями погоды, авторы провели апробацию отдельных архитектур нейронных сетей для решения задачи наукастинга. Сделаны выводы о возможности применения рассматриваемых решений для прогноза текущей погоды в Дальневосточном регионе России.
Ключевые слова: наукастинг, текущий прогноз погоды, осадки, искусственный интеллект, машинное обучение, нейронные сети, гидрометеорология
Полный текстСписок литературы:
- Кузнецова В. П. Опасные гидрометеорологические явления северных регионов в условиях наблюдаемого изменения климата // Геоморфология и физ. география Сибири в XXI в. 2020. С. 104–108.
- Ansari S., Greco S. D., Kearns E. et al. Unlocking the potential of NEXRAD data through NOAA’s Big Data Partnership // Bull. American Meteorological Society. 2018. V. 99. No. 1. P. 189–204. DOI: 10.1175/BAMS-D-16-0021.1.
- Cho K., Merrienboer B., Gulcehre C. et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation // arXiv preprint. arXiv:1406.1078. 2014. 15 p. DOI: 10.48550/arXiv.1406.1078.
- Forecast verification: a practitioner’s guide in atmospheric science / eds. I. T. Jolliffe, D. B. Stephenson. Chichester: John Wiley and Sons, 2012. 296 p.
- Franch G., Maggio V., Coviello L. et al. TAASRAD19, a high-resolution weather radar reflectivity dataset for precipitation nowcasting // Scientific Data. 2020. V. 7. No. 1. Article 234. DOI: 10.1038/s41597-020-0574-8.
- Gao Z., Shi X., Wang H. et al. Deep learning and the weather forecasting problem: Precipitation nowcasting // Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science, and Geosciences. 2021. P. 218–239. DOI: 10.1002/9781119646181.ch15.
- Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9. No. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.
- Huynh-Thu Q., Ghanbari M. Scope of validity of PSNR in image/video quality assessment // Electronics Letters. 2008. V. 44. No. 13. P. 800–801. DOI: 10.1049/el:20080522.
- Lecun Y., Bengio Y. Convolutional networks for images, speech, and time series // The Handbook of Brain Theory and Neural Networks. 1995. V. 3361. No. 10. 14 p.
- Liu Y., Xi D.-G., Li Z.-L. et al. A new methodology for pixel-quantitative precipitation nowcasting using a pyramid Lucas Kanade optical flow approach // J. Hydrology. 2015. V. 529. P. 354–364. DOI: 10.1016/j.jhydrol.2015.07.042.
- Locatello F., Weissenborn D., Unterthiner T., Mahendran A., Heigold G., Uszkorei J., Dosovitskiy A., Kipf T. Object-centric learning with slot attention // Advances in Neural Information Processing Systems. 2020. V. 33. P. 11525–11538.
- Luong M. T., Pham H., Manning C. D. Effective approaches to attention-based neural machine translation // arXiv preprint. arXiv:1508.04025. 2015. 11 p. DOI: 10.48550/arXiv.1508.04025.
- Ma Z., Zhang H., Liu J. MS-RNN: A flexible multi-scale framework for spatiotemporal predictive learning // arXiv preprint. arXiv:2206.03010. 2022. 16 p. DOI: 10.48550/arXiv.2206.03010.
- Ma Z., Wang G., Yao J. et al. An Improved U-Net Model Based on Multi-Scale Input and Attention Mechanism: Application for Recognition of Chinese Cabbage and Weed // Sustainability. 2023. V. 15. No. 7. Article 5764. DOI: 10.3390/su15075764.
- Moskolaï W. R., Abdou W., Dipanda A. et al. Application of deep learning architectures for satellite image time series prediction: A review // Remote Sensing. 2021. V. 13. No. 23. Article 4822. DOI: 10.3390/rs13234822.
- Pulkkinen S., Nerini D., Perez Hortal A. A. et al. Pysteps: An open-source Python library for probabilistic precipitation nowcasting (v1. 0) // Geoscientific Model Development. 2019. V. 12. No. 10. P. 4185–4219. DOI: 10.5194/gmd-12-4185-2019.
- Ramsauer T., Weiß T., Marzahn P. Comparison of the GPM IMERG final precipitation product to RADOLAN weather radar data over the topographically and climatically diverse Germany // Remote Sensing. 2018. V. 10. No. 12. Article 2029. DOI: 10.3390/rs10122029.
- Recurrent neural networks: design and applications / eds. L. Medsker, L. C. Jain. Boca Raton: CRC press, 1999. 416 p. https://doi.org/10.1201/9781003040620.
- Schaefer J. T. The critical success index as an indicator of warning skill // Weather and Forecasting. 1990. V. 5. No. 4. P. 570–575. DOI: 10.1175/1520-0434(1990)005<0570:TCSIAA>2.0.CO;2.
- Shi X., Chen Z., Wang H., Yeung D. Y., Wong W. K., Woo W. C. Convolutional LSTM network: A machine learning approach for precipitation nowcasting // Advances in Neural Information Processing Systems. 2015. V. 28. 9 p.
- Shi X., Gao Z., Lausen L., Wang H., Yeung D. Y., Wong W. K., Woo W. C. Deep learning for precipitation nowcasting: A benchmark and a new model // Advances in Neural Information Processing Systems. 2017. V. 30. 9 p.
- Veillette M., Samsi S., Mattioli C. Sevir: A storm event imagery dataset for deep learning applications in radar and satellite meteorology // Advances in Neural Information Processing Systems. 2020. V. 33. P. 22009–22019.
- Wang Y., Long M., Wang J., Gao Z., Yu P. S. Predrnn: Recurrent neural networks for predictive learning using spatiotemporal lstms // Advances in Neural Information Processing Systems. 2017. V. 30. 9 p.
- Wang Y., Gao Z., Long M., Wang J., Yu P. S. Predrnn++: Towards a resolution of the deep-in-time dilemma in spatiotemporal predictive learning // Intern. Conf. Machine Learning. 2018. P. 5123–5132.
- Wang Y., Zhang J., Zhu H. et al. Memory in memory: A predictive neural network for learning higher-order non-stationarity from spatiotemporal dynamics // Proc. IEEE/CVF Conf. Computer Vision and Pattern recognition. 2019. P. 9154–9162. DOI: 10.1109/CVPR.2019.00937.
- Wang Y., Wu H., Zhang J. et al. Predrnn: A recurrent neural network for spatiotemporal predictive learning // IEEE Trans. Pattern Analysis and Machine Intelligence. 2022. V. 45. No. 2. P. 2208–2225. DOI: 10.1109/TPAMI.2022.3165153.
- Wang Z., Bovik A. C., Sheikh H. R. et al. Image quality assessment: from error visibility to structural similarity // IEEE Trans. Image Processing. 2004. V. 13. No. 4. P. 600–612. DOI: 10.1109/TIP.2003.819861.
- Yao Z., Wang Y., Wu H. et al. ModeRNN: Harnessing spatiotemporal mode collapse in unsupervised predictive learning // IEEE Trans. Pattern Analysis and Machine Intelligence. 2023. P. 1–16. DOI: 10.1109/TPAMI.2023.3293145.