Tiefes Lernen für Niederschlagsvorhersage: Ein Vergleichsstandard und ein neues Modell

Mit dem Ziel, hochaufgelöste Vorhersagen des regionalen Niederschlags zu erstellen, ist die Niederschlagsvorhersage in Echtzeit (precipitation nowcasting) zu einer wichtigen und grundlegenden Technologie geworden, die verschiedene öffentliche Dienstleistungen unterstützt, von Starkregenwarnungen bis hin zur Flugsicherheit. Kürzlich wurde gezeigt, dass das Convolutional LSTM (ConvLSTM)-Modell traditionelle optische Fluss-basierte Methoden für die Niederschlagsvorhersage in Echtzeit übertrifft, was darauf hindeutet, dass tiefes Lernen (deep learning) ein großes Potenzial für die Lösung dieses Problems hat. Allerdings ist die faltungsbasierte rekurrente Struktur in ConvLSTM-basierten Modellen ortsinvariant, während natürliche Bewegung und Transformation (z.B. Rotation) im Allgemeinen ortsvariant sind. Darüber hinaus ist die tiefes-Lernen-basierte Niederschlagsvorhersage in Echtzeit ein neues Forschungsgebiet, für das noch keine klaren Evaluationsprotokolle etabliert wurden. Um diese Probleme anzugehen, schlagen wir sowohl ein neues Modell als auch einen Benchmark vor. Insbesondere erweitern wir den Ansatz jenseits des ConvLSTM und schlagen das Trajectory GRU (TrajGRU)-Modell vor, das in der Lage ist, die ortsvariante Struktur für rekurrente Verbindungen aktiv zu lernen. Zudem stellen wir einen Benchmark bereit, der eine realweltliche Großdatensammlung vom Hongkong-Observatorium, einen neuen Trainingsverlust und ein umfassendes Evaluationsprotokoll enthält, um zukünftige Forschungen zu fördern und den aktuellen Stand der Technik abzuschätzen.