《All convolutional neural networks for radar-based precipitation nowcasting》论文解读

这篇文章于2019年1月在Procedia Computer Science上发表。它的贡献在于选择和采用了合适的数据预处理方法和损失函数，提出了网络模型——Dozhdya.Net。

数据

在介绍模型之前首先说一下该实验所采用的数据。数据名为RY，其测量范围为$900\ast 900km$，它的空间和时间的分辨率分别为$1\ast 1km$和5min。数据的时间范围是从2006年到2017年，但是缺失2013年的数据。一般我们在训练之前都需要对数据进行标准化，但由于RGB图像与雷达图像的不同性质，一般的标准化并不能直接适用。因此，在这篇文章中，作者提出了4种预处理的方法：Scaler v.1、Scaler v.2、Scaler v.3、Scaler v.4。

网络结构

作者在本文中提出了一种不使用步长，使用零进行填充以保持空间分辨率的Dozdya.Net。为了使网络呈现非线性的特征，作者在每一个卷积网络后是用来了ReLU激活函数(除了最后一个)。具体网络结构如下：

Dozdya.Net包含了6层卷积层，其中各层的卷积核数量分别为48，24，12，6，3，1。在每一层的卷积中，都进行了零填充，为的是确保图片大小不发生变化。模型的输入为$900\ast 900\ast 2$，是通过将t-2和t-1时刻的雷达图叠加来作为模型的输入，模型的输出则是t时刻的雷达图，大小仍为$900\ast 900$。整个预测过程如下图：

实验相关

在实验过程中，作者分别尝试了$3\ast 3$，$5\ast 5$，$7\ast 7$的卷积核，对实验效果进行测试。除此之外，他还测试不同的损失函数:MAE，MSE和Logcosh对实验结果的影响。在该实验中，作者选用了2006年至2015年的数据对模型进行训练，用2016年至2017年的数据进行测试。另外，作者采用了Adam算法作为该实验的梯度下降算法，以MAE和CSI作为实验的评价指标。

实验结果

作者首先分别讨论了数据预处理、损失函数和卷积核大小对实验的影响。

从左侧的两张图片中我们可以发现Scaler.4不论是在MAE还是CSI上效果都是要优于其他三种预处理方式。中间两幅图可以得出损失函数Logcosh效果最佳。另外，从最右侧两张图可以得到$3\ast 3$的卷积核效果要优于其他两种卷积核，这是因为卷积核越大，感受野越大，越容易造成过拟合，加大预测的不确定性。

之后，作者又将Dozhdya.Net同Eulerian persistence model和目前表现最好的光流法进行对比。

从实验结果中可以看出Dozhdya.Net在MAE这一项指标上长期的效果要优于光流法，在CSI上略微弱于光流法。因此，即使和表现最好的光流法相比，该简化模型也显示了相当的效率，可作为进一步发展的坚实基础。

未来工作

作者接下来的工作是致力于开发新的和通用的深度学习网络结构，这些模型可以很容易地在不同的研究领域和雷达产品之间进行转换。