探索几何深度学习在降水临近预报中的应用
机器学习
2023-09-13 v1 人工智能
大气与海洋物理
摘要
降水临近预报（数小时以内）由于需要准确捕捉高度复杂的局部相互作用而仍然是一项挑战。卷积神经网络依赖于卷积核与网格数据的卷积，所提取的特征受限于有限的感受野，通常表现为与真实值相比过度平滑的输出。因此它们缺乏建模网格间复杂空间关系的能力。几何深度学习旨在将神经网络模型推广到非欧几里得域。此类模型在定义节点和边方面更为灵活，能够有效捕捉地理网格间动态的空间关系。受此启发，我们探索了一种基于几何深度学习的时间图卷积网络（GCN）用于降水临近预报。模拟网格单元间相互作用的邻接矩阵通过在训练过程中最小化预测值与真实值像素值之间的 L1 损失来自动学习。随后，空间关系由 GCN 层精炼，而时间信息则通过具有不同核长度的 1D 卷积提取。邻域信息作为辅助输入层馈入以改进最终结果。我们在意大利特伦托地区的雷达反射率图序列上测试了该模型。结果表明，GCN 通过降低误差度量，提升了云体剖面局部细节建模的有效性以及预测精度。
引用
@article{arxiv.2309.05828,
title = {Exploring Geometric Deep Learning For Precipitation Nowcasting},
author = {Shan Zhao and Sudipan Saha and Zhitong Xiong and Niklas Boers and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2309.05828},
year = {2023}
}
备注
submitted and accepted in IGARSS2023