การผสมความรู้ทางวิทยาศาสตร์ก่อนหน้าเข้ากับการเรียนรู้เชิงลึกสำหรับพยากรณ์ปริมาณฝนในระยะสั้นจากภาพถ่ายเรดาร์

ภัทรพงษ์ ด่านพูนกิจ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/77268

Title:	การผสมความรู้ทางวิทยาศาสตร์ก่อนหน้าเข้ากับการเรียนรู้เชิงลึกสำหรับพยากรณ์ปริมาณฝนในระยะสั้นจากภาพถ่ายเรดาร์
Other Titles:	Incorporating prior scientific knowledge into deep learning for precipitation nowcasting on radar images
Authors:	ภัทรพงษ์ ด่านพูนกิจ
Advisors:	พีรพล เวทีกูล
Other author:	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Issue Date:	2563
Publisher:	จุฬาลงกรณ์มหาวิทยาลัย
Abstract:	การทำนายปริมาณน้ำฝนในระยะสั้นมีจุดมุ่งหมายเพื่อทำนายปริมาณน้ำฝนในอนาคตอันใกล้อย่างถูกต้องเพื่อนำไปใช้ประโยชน์ต่อในงานต่างๆ วิธีการดั้งเดิมทำนายผลโดยจำลองกระบวนการทางฟิสิกส์ที่ซับซ้อนหรือใช้การประมาณค่านอกช่วง โมเดลเชิงลึกที่ใช้ส่วนมากนั้นมักประสบความสำเร็จเพียงระดับหนึ่งเท่านั้นเนื่องจากความซับซ้อนของปัญหา ดังนั้นวิทยานิพนธ์นี้จึงเสนอวิธีการที่ผสมผสานระหว่างวิธีการทางวิทยาศาสตร์กับโมเดลเชิงลึกเพื่อใช้ประโยชน์จากทั้งสองศาสตร์ในการทำนาย โมเดลที่เสนอนี้มีโครงสร้างพื้นฐานบนวิธีการประมาณค่าเรดาร์นอกช่วงซึ่งเป็นวิธีการทางวิทยาศาสตร์ที่ทันสมัย โดยผู้วิจัยได้ทำการผสมผสานโดยแทนที่ส่วนย่อยของวิธีการนี้ที่ทำหน้าที่คำนวณสนามการเคลื่อนไหวด้วยโมเดลเชิงลึกที่เป็นโมเดลแบบรูปตัวยู ในขณะคงส่วนหลังที่ใช้เทคนิคการบิดเบือนไว้เพื่อทำหน้าที่ประมาณค่านอกช่วง ในการทดลองผู้วิจัยได้สร้างชุดข้อมูลจำลองที่ลอกเลียนคุณสมบัติสำคัญจากภาพถ่ายเรดาร์และทำการทดลองทั้งบนชุดข้อมูลจำลองดังกล่าวและชุดข้อมูลภาพถ่ายเรดาร์ที่ประกอบด้วยเหตุการณ์สภาพอากาศรุนแรง 7 กรณี นอกจากนี้ได้ทดลองใช้เทคนิคเปลี่ยนแปลงน้ำหนักของค่าสูญเสียเพื่อให้โมเดลมีประสิทธิภาพการทำนายฝนตกหนักสูงขึ้น จากผลการทดลองพบว่าวิธีการแบบผสมผสานที่เสนอให้ประสิทธิภาพที่ดีกว่าวิธีการมาตรฐานในกรณีส่วนมากบนชุดข้อมูลทั้งคู่
Other Abstract:	The objective of precipitation nowcasting is to precisely forecast the short-term rainfall intensity which can be used in many applications. The traditional approach is to simulate complicated physical processes or perform an extrapolation. Most deep learning models approaches have often been met with limited success due to the complexities of the problem. Therefore, this thesis proposes a hybrid model that combines both the scientific method and the deep learning model in order to take advantage of both paradigms. The proposed model’s architecture is based on the radar extrapolation technique which is the state-of-the-art scientific method. We achieve the integration by replacing the sub-model of this method which calculates the motion field with a deep learning model known as U-Net while the latter part remains the warping scheme to perform an extrapolation. We created the simulated data that design to mimic essential features from radar image sequences and conducted the experiments on both the simulated and the radar image dataset that contains 7 severe weather phenomenon cases. Furthermore, we experiment with the weighted loss technique to help improve the model's ability to predict heavy rainfall. The results show that our hybrid modeling approach outperforms most baselines on both datasets.
Description:	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563
Degree Name:	วิทยาศาสตรมหาบัณฑิต
Degree Level:	ปริญญาโท
Degree Discipline:	วิทยาศาสตร์คอมพิวเตอร์
URI:	http://cuir.car.chula.ac.th/handle/123456789/77268
URI:	http://doi.org/10.58837/CHULA.THE.2020.1029
metadata.dc.identifier.DOI:	10.58837/CHULA.THE.2020.1029
Type:	Thesis
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6270206921.pdf		4.71 MB	Adobe PDF	View/Open

Show full item record