PreDiff: Precipitation Nowcasting with Latent Diffusion Models

要約

地球システムの予測は従来、複雑な物理モデルに依存していましたが、これは計算コストが高く、かなりの専門知識が必要でした。
過去 10 年間で地球の時空間観測データが前例のないほど増加したことにより、深層学習技術を使用したデータ駆動型の予測モデルが可能になりました。
これらのモデルは、地球システムの多様な予測タスクに有望であることを示していますが、不確実性の処理に苦労するか、領域固有の事前知識を無視するため、起こり得る将来を平均して不鮮明な予測をしたり、物理的にありえない予測を生成したりする結果になります。
これらの制限に対処するために、確率的時空間予測のための 2 段階のパイプラインを提案します。 1) 確率的予測が可能な条件付き潜在拡散モデルである PreDiff を開発します。
2) 明示的知識の調整メカニズムを組み込んで、予測をドメイン固有の物理的制約と調整します。
これは、各ノイズ除去ステップで課された制約からの逸脱を推定し、それに応じて遷移分布を調整することによって実現されます。
私たちは、カオス的な挙動を持つ合成データセットである N-body MNIST と、現実世界の降水量ナウキャスティング データセットである SEVIR の 2 つのデータセットについて実証研究を行っています。
具体的には、N 体 MNIST にはエネルギー保存の法則を適用し、SEVIR には予想される降水強度を適用します。
実験では、不確実性の処理、ドメイン固有の事前知識の組み込み、高い運用上の有用性を示す予測の生成における PreDiff の有効性を実証しています。

要約(オリジナル)

Earth system forecasting has traditionally relied on complex physical models that are computationally expensive and require significant domain expertise. In the past decade, the unprecedented increase in spatiotemporal Earth observation data has enabled data-driven forecasting models using deep learning techniques. These models have shown promise for diverse Earth system forecasting tasks but either struggle with handling uncertainty or neglect domain-specific prior knowledge, resulting in averaging possible futures to blurred forecasts or generating physically implausible predictions. To address these limitations, we propose a two-stage pipeline for probabilistic spatiotemporal forecasting: 1) We develop PreDiff, a conditional latent diffusion model capable of probabilistic forecasts. 2) We incorporate an explicit knowledge alignment mechanism to align forecasts with domain-specific physical constraints. This is achieved by estimating the deviation from imposed constraints at each denoising step and adjusting the transition distribution accordingly. We conduct empirical studies on two datasets: N-body MNIST, a synthetic dataset with chaotic behavior, and SEVIR, a real-world precipitation nowcasting dataset. Specifically, we impose the law of conservation of energy in N-body MNIST and anticipated precipitation intensity in SEVIR. Experiments demonstrate the effectiveness of PreDiff in handling uncertainty, incorporating domain-specific prior knowledge, and generating forecasts that exhibit high operational utility.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google