Apprentissage profond pour la prévision à court terme des précipitations : Un benchmark et un nouveau modèle

Afin de réaliser des prévisions de pluviométrie régionale à haute résolution, le nowcasting de précipitations est devenu une technologie importante et fondamentale sous-jacente à divers services publics, allant des alertes aux orages jusqu'à la sécurité des vols. Récemment, le modèle Convolutional LSTM (ConvLSTM) a démontré sa supériorité par rapport aux méthodes traditionnelles basées sur le flux optique pour le nowcasting de précipitations, suggérant que les modèles d'apprentissage profond ont un potentiel considérable pour résoudre ce problème. Cependant, la structure de récurrence convolutive dans les modèles basés sur ConvLSTM est invariante en fonction de l'emplacement, tandis que les mouvements naturels et transformations (par exemple, la rotation) sont généralement variant en fonction de l'emplacement. De plus, comme le nowcasting de précipitations basé sur l'apprentissage profond est un domaine émergent, des protocoles d'évaluation clairs n'ont pas encore été établis. Pour remédier à ces problèmes, nous proposons à la fois un nouveau modèle et un benchmark pour le nowcasting de précipitations. Plus précisément, nous dépassons le ConvLSTM et proposons le modèle Trajectory GRU (TrajGRU), capable d'apprendre activement la structure variant en fonction de l'emplacement pour les connexions récurrentes. En outre, nous fournissons un benchmark qui inclut un jeu de données à grande échelle issu du monde réel provenant de l'Observatoire royal hongkongais (Hong Kong Observatory), une nouvelle fonction de perte d'entraînement et un protocole d'évaluation complet afin de faciliter les recherches futures et d'évaluer l'état actuel de l'art.