SAR-UNet：用于可解释临近预报任务的小型注意力残差 UNet
机器学习
2023-03-14 v1 大气与海洋物理
摘要
在数据驱动的临近预报模型中，准确性与可解释性对许多依赖天气决策的社会经济部门至关重要。本文提出一种称为小型注意力残差 UNet（SAR-UNet）的新架构，用于降水和云量临近预报。此处以 SmaAt-UNet 为核心模型，并进一步配备残差连接，与深度可分离卷积并行。所提出的 SAR-UNet 模型在两个数据集上评估，即 2016 至 2019 年的荷兰降水图，以及 2017 至 2018 年的法国云量二值图像。所得结果表明，SAR-UNet 在未来 30 至 180 分钟的降水临近预报以及随后 90 分钟的云量临近预报上均优于其他被测模型。此外，我们利用视觉解释技术 Grad-CAM 对我们所提模型的临近预报给出额外洞察，该技术应用于 SAR-UNet 模型编码器与解码器路径的不同层级，生成热力图以突出输入图像中的关键区域以及指向降水的中间表示。Grad-CAM 生成的热力图揭示了分布于整个网络架构中的多个深度可分离块内残差连接与深度可分离卷积之间的相互作用。
引用
@article{arxiv.2303.06663,
title = {SAR-UNet: Small Attention Residual UNet for Explainable Nowcasting Tasks},
author = {Mathieu Renault and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2303.06663},
year = {2023}
}
备注
9 pages, 8 figures