Visão Computacional na Precipitação Agora: Aplicando Métricas de Avaliação de Qualidade de Imagem para Treinar Redes Neurais Profundas

Este artigo apresenta um ponto de vista da visão computacional sobre a tarefa de extrapolação de eco de radar no domínio da previsão de precipitação. Inspirados pelo sucesso de alguns modelos de rede neural convolucional recorrente neste domínio, incluindo LSTM convolucional, GRU convolucional e GRU de trajetória, projetamos uma nova estrutura de rede neural de sequência para sequência para aproveitar esses modelos em um contexto de dados realista. Neste design, diminuímos o número de canais em camadas recorrentes de alto nível abstrato, em vez de aumentá-los. Formulamos a tarefa como um problema de codificação de cinco imagens de radar e previsão de 10 etapas à frente no nível de pixel, e descobrimos que usar apenas o erro quadrático médio pode desviar o treinamento e enganar o teste. Especialmente, a qualidade da imagem das últimas previsões geralmente se degradava rapidamente. Como solução, empregamos algumas técnicas visuais de avaliação da qualidade da imagem, incluindo Similaridade Estrutural (SSIM) e SSIM de múltiplas escalas para treinar nossos modelos. Os resultados experimentais mostram que nossa estrutura foi mais tolerante ao aumento da incerteza nos dados, e o uso de métricas de qualidade de imagem pode reduzir significativamente o problema de imagens embaçadas. Além disso, descobrimos que usar SSIM foi muito eficaz e uma combinação de SSIM com erro quadrático médio e erro absoluto médio resultou na melhor qualidade de previsão.