A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts

要約

継続的な改善にもかかわらず、降水量の予測は、他の気象変数の予測ほど正確で信頼性がありません。
これに寄与する主な要因は、降水量の分布と強度に影響を与えるいくつかの重要なプロセスが、全球気象モデルの解決されたスケールより下で発生することです。
生成的敵対的ネットワーク（GAN）は、コンピュータービジョンコミュニティによって、超解像問題、つまり粗い画像に微細な構造を追加することを学ぶことに成功することが実証されています。
Leinonenetal。
（2020）以前にGANを適用して、粗い入力データを前提として、再構築された高解像度大気フィールドのアンサンブルを生成しました。
この論文では、このアプローチを、高解像度レーダー測定を「グラウンドトゥルース」として使用して、天気予報モデルからの比較的低解像度の入力の精度と解像度を向上させるという、より困難な問題に拡張できることを示します。
ニューラルネットワークは、無視できない予測誤差を考慮しながら、解像度と構造を追加することを学習する必要があります。
GANとVAE-GANは、高解像度で空間的にコヒーレントな降水量マップを作成しながら、最先端のポイントごとの後処理方法の統計的特性と一致できることを示します。
私たちのモデルは、ピクセル単位およびプールされたCRPSスコア、パワースペクトル情報、ランクヒストグラム（キャリブレーションの評価に使用）の両方で、既存の最良のダウンスケーリング方法と比べて遜色ありません。
モデルをテストし、大雨を含むさまざまなシナリオでモデルが機能することを示します。

要約(オリジナル)

Despite continuous improvements, precipitation forecasts are still not as accurate and reliable as those of other meteorological variables. A major contributing factor to this is that several key processes affecting precipitation distribution and intensity occur below the resolved scale of global weather models. Generative adversarial networks (GANs) have been demonstrated by the computer vision community to be successful at super-resolution problems, i.e., learning to add fine-scale structure to coarse images. Leinonen et al. (2020) previously applied a GAN to produce ensembles of reconstructed high-resolution atmospheric fields, given coarsened input data. In this paper, we demonstrate this approach can be extended to the more challenging problem of increasing the accuracy and resolution of comparatively low-resolution input from a weather forecasting model, using high-resolution radar measurements as a ‘ground truth’. The neural network must learn to add resolution and structure whilst accounting for non-negligible forecast error. We show that GANs and VAE-GANs can match the statistical properties of state-of-the-art pointwise post-processing methods whilst creating high-resolution, spatially coherent precipitation maps. Our model compares favourably to the best existing downscaling methods in both pixel-wise and pooled CRPS scores, power spectrum information and rank histograms (used to assess calibration). We test our models and show that they perform in a range of scenarios, including heavy rainfall.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google