Skilful Precipitation Nowcasting Using NowcastNet

要約

降水の早期警報システムを設計するには、正確な短期予測システムが必要です。
気候変動により異常気象の頻度が増加しているため、このようなシステムは災害や人命の損失を防ぐことができます。
このようなイベントの管理は、公的機関と民間機関の両方にとって依然として課題です。
降水量ナウキャスティングは、農業、交通、公衆衛生、安全などに影響を与えるこのようなイベントに対して、関連機関がより適切に備えるのに役立ちます。物理ベースの数値天気予報 (NWP) は、計算時間が長いため、ナウキャスティングでは十分なパフォーマンスを発揮できません。
。
一方、ディープラーニングベースのモデルは数秒以内に予測を与えることができます。
私たちは、最近提案された物理条件付きディープ生成ネットワークである NowcastNet を使用して、衛星画像を使用してヨーロッパのさまざまな地域の降水量を予測します。
空間転移学習と時間転移学習は両方とも、目に見えない領域と年を予測することによって行われます。
モデルは現実的な予測を行い、そのような予測タスクのベースラインを上回るパフォーマンスを発揮できます。

要約(オリジナル)

Designing early warning system for precipitation requires accurate short-term forecasting system. Climate change has led to an increase in frequency of extreme weather events, and hence such systems can prevent disasters and loss of life. Managing such events remain a challenge for both public and private institutions. Precipitation nowcasting can help relevant institutions to better prepare for such events as they impact agriculture, transport, public health and safety, etc. Physics-based numerical weather prediction (NWP) is unable to perform well for nowcasting because of large computational turn-around time. Deep-learning based models on the other hand are able to give predictions within seconds. We use recently proposed NowcastNet, a physics-conditioned deep generative network, to forecast precipitation for different regions of Europe using satellite images. Both spatial and temporal transfer learning is done by forecasting for the unseen regions and year. Model makes realistic predictions and is able to outperform baseline for such a prediction task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google