大気温の予測

出版日: 2022年3月15日

下記の場所で写真を撮った時の気温を推測できますか？

難しい課題ですよね？この画像は寒い早朝か暖かい夕方のものかもしれません。大気温度は季節や場所にも依存します。全体的に、大気温度は多くのパラメーターの結果であり、一見で私たちが決定するのは難しいです。参考までに、上記の瞬間の気温は5.4°Cでした。

目的

この記事では、この場所の画像を見て東京のレインボーブリッジでの大気温度を推定しようとします。

方法

我々は畳み込みニューラルネットワークを使用して、画像が撮影された瞬間の気温を予測するモデルを訓練します。私たちのタスクは、目標変数（気温）が連続変数であるため、分類タスクではなく回帰タスクです。画像畳み込みは主に物体検出や顔認識などの分類問題に使用されますが、回帰タスクに使用されることは一般的ではないため、オンラインでの情報はあまりありません。

データ収集

このタスクでは、画像と天気情報の収集のためにYoutubeとOpenWeatherMapのAPIに接続します。 Youtube APIに接続し、50秒ごとにお台場ライブカメラフィードのスクリーンショットを取得するスクリプトを作成します。スナップショットが取得されると、スクリプトはOpenWeatherMap APIに接続し、レインボーブリッジ（お台場）の天気情報を取得します。収集したデータは、後で画像と温度をリンクするためのタイムスタンプと共にローカルマシンに書き込まれます。スクリプトを約2日間実行し、2,000以上の画像と天気情報を収集します。

データ処理

OpenWeatherMap APIに天気情報を提供するようにリクエストすると、近くの気象観測所をチェックして最新の情報を提供します。たとえば、レインボーブリッジについてクエリを行うと、クエリが行われた時刻に応じて三田または品川駅から情報を得ます。データに不連続性を持たせたくないため（同じ時刻に三田と品川で異なる気温がある可能性があります）、データセットを三田駅から得られた情報に絞り込みます。これにより、合計1,902枚の画像が得られます。画像ファイルのパスと関連する温度、およびタイムスタンプは、マスターデータファイルにまとめられます。このデータは、Google ColabでモデルをトレーニングするためにGoogleドライブにアップロードされます。

モデル

レインボーブリッジエリアの1,902枚の画像を使用して、データセットをトレーニング（70％）とテスト（30％）のサブセットに分割します。トレーニングサブセットの一部は、オーバーフィッティングを防ぐための早期停止の検証サブセットとして使用されます。

ニューラルネットワークは、1つの入力層、2つの畳み込み+最大プール層+1つのグローバル平均プール層+3つの密な層、および1つの出力層（温度）で構成されています。

畳み込み層は、画像全体に小さなウィンドウをスライドさせ、画像から有用な特徴を抽出します。一般的に使用される例では、畳み込み層は画像内のエッジを識別することを学習できます。畳み込み層の直後にMaxPoolを適用することは、出力を縮小するための一般的な手法です。次に、グローバル平均プール層を適用して、画像を1次元ベクトルに縮小します。この1次元ベクトルは、画像から温度を1つの値として提供するReLuアクティベーション関数を備えた標準的な3層の多層パーセプトロンを通過します。

Google ColabでGPUアクセラレーションを使用して、学習を高速化します。最初のエポックは、テンソルがGPUに移動されるため、比較的長い時間がかかりますが、将来のエポックではかなり短い時間で学習が完了し、10分未満で学習が完了します。

結果

モデルの平均二乗誤差は1.2°Cで、R二乗値は0.79です。画像のみを使用してモデルを訓練するには、これは悪くないですね。

結論

東京のレインボーブリッジの画像を見て大気温度を予測するために、畳み込みニューラルネットワークを使用した機械学習モデルを訓練しました。画像と温度データは、2日間にわたってYoutubeライブカムとOpenWeatherMapから取得されました。 1,902枚の画像を使用してモデルを訓練し、合理的な精度が得られました。モデルは、気温が急激に変化する早朝や夕方の時間帯での気温を予測するのに苦労しますが、画像は類似しています。これは、モデルに時間を別の変数として提供することで解決できます。さらに、1年間の画像の大規模なデータセットを使用して非常に正確なモデルを訓練することができます。