Latent diffusion models for generative precipitation nowcasting with accurate uncertainty quantification

要約

【タイトル】正確な不確定性定量化とともに意味のある降水量予測のための潜在拡散モデル

【要約】
– 拡散モデルは、画像の生成に広く採用されており、敵対的生成ネットワーク（GAN）よりも高品質で多様なサンプルを生成する。
– 最新の観測データに基づく短期予測である降水量予測のために潜在的な拡散モデル（LDM）を紹介する。
– LDMは、GANよりも安定しており、トレーニングに必要な計算量が少なく、生成にはより多くの計算量が必要である。
– Deep Generative Models of Rainfall（DGMR）とPySTEPSという2つのモデルと比較してベンチマークを行い、LDMはより正確な降水量の予測を行うことができるが、降水量が事前に定義された閾値を超えるかどうかを予測する場合は、比較はより混合している。
– LDMの最も明確な利点は、DGMRまたはPySTEPSよりも多様な予測を生成することである。
– ランク分布テストにより、LDMからのサンプルの分布は予測の不確実性を正確に反映していることが示された。
– したがって、不確定性定量化が重要な天気や気候のようなアプリケーションに、LDMは有望である。

要約(オリジナル)

Diffusion models have been widely adopted in image generation, producing higher-quality and more diverse samples than generative adversarial networks (GANs). We introduce a latent diffusion model (LDM) for precipitation nowcasting – short-term forecasting based on the latest observational data. The LDM is more stable and requires less computation to train than GANs, albeit with more computationally expensive generation. We benchmark it against the GAN-based Deep Generative Models of Rainfall (DGMR) and a statistical model, PySTEPS. The LDM produces more accurate precipitation predictions, while the comparisons are more mixed when predicting whether the precipitation exceeds predefined thresholds. The clearest advantage of the LDM is that it generates more diverse predictions than DGMR or PySTEPS. Rank distribution tests indicate that the distribution of samples from the LDM accurately reflects the uncertainty of the predictions. Thus, LDMs are promising for any applications where uncertainty quantification is important, such as weather and climate.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI