Convolutional LSTM-Netzwerk: Ein maschinelles Lernverfahren für Niederschlagsvorhersage

Das Ziel der Niederschlagsvorhersage (precipitation nowcasting) besteht darin, die zukünftige Regenintensität in einem lokalen Bereich über einen relativ kurzen Zeitraum vorherzusagen. Sehr wenige frühere Studien haben dieses entscheidende und herausfordernde Wettervorhersageproblem aus der Perspektive des maschinellen Lernens untersucht. In dieser Arbeit formulieren wir die Niederschlagsvorhersage als ein raumzeitliches Sequenzvorhersageproblem, bei dem sowohl die Eingabe als auch das Vorhersageziel raumzeitliche Sequenzen sind. Durch die Erweiterung des vollständig vernetzten Long Short-Term Memory (LSTM)-Netzes (FC-LSTM), sodass es in den Übergängen von Eingang zu Zustand und von Zustand zu Zustand konvolutive Strukturen aufweist, schlagen wir das konvolutive LSTM (ConvLSTM) vor und nutzen es, um ein von Anfang bis Ende trainierbares Modell für das Problem der Niederschlagsvorhersage zu entwickeln. Experimente zeigen, dass unser ConvLSTM-Netzwerk raumzeitliche Korrelationen besser erfasst und konsistent besser abschneidet als das vollständig vernetzte LSTM (FC-LSTM) und der aktuell beste operationelle ROVER-Algorithmus für Niederschlagsvorhersagen.