Forecasting Tropical Cyclones with Cascaded Diffusion Models

要約

気候変動により熱帯低気圧が激化するにつれ、Al ベースのモデリングの台頭により、数学的モデルに基づく従来の手法と比較して、より手頃な価格でアクセスしやすいアプローチが提供されます。
この研究では、衛星画像、リモート センシング、大気データを統合することにより、生成拡散モデルを活用してサイクロンの軌道と降水パターンを予測します。
これは、予測、超解像度、降水モデリングという 3 つの主要なタスクを組み込んだカスケード アプローチを採用しています。
トレーニング データセットには、2019 年 1 月から 2023 年 3 月までの 6 つの主要な熱帯低気圧盆地からの 51 個のサイクロンが含まれています。実験では、カスケード モデルからの最終予測が、優れた構造類似性 (SSIM) とピーク値を示し、36 時間展開まで正確な予測を示すことを示しています。
3 つのタスクすべてで、対雑音比 (PSNR) 値がそれぞれ 0.5 dB と 20 dB を超えています。
36 時間の予測は、1 台の Nvidia A30/RTX 2080 Ti でわずか 30 分で生成できます。
この研究はまた、熱帯低気圧予測などの気象予測における高性能ニーズに対する拡散モデルなどの Al 手法の有望な効率性を強調しながらも、計算コストが手頃であり、重要な予測ニーズと財政上の制限がある非常に脆弱な地域に最適であることを示しています。
コードは \url{https://github.com/nathzi1505/forecast-diffmodels} からアクセスできます。

要約(オリジナル)

As tropical cyclones become more intense due to climate change, the rise of Al-based modelling provides a more affordable and accessible approach compared to traditional methods based on mathematical models. This work leverages generative diffusion models to forecast cyclone trajectories and precipitation patterns by integrating satellite imaging, remote sensing, and atmospheric data. It employs a cascaded approach that incorporates three main tasks: forecasting, super-resolution, and precipitation modelling. The training dataset includes 51 cyclones from six major tropical cyclone basins from January 2019 – March 2023. Experiments demonstrate that the final forecasts from the cascaded models show accurate predictions up to a 36-hour rollout, with excellent Structural Similarity (SSIM) and Peak-To-Noise Ratio (PSNR) values exceeding 0.5 and 20 dB, respectively, for all three tasks. The 36-hour forecasts can be produced in as little as 30 mins on a single Nvidia A30/RTX 2080 Ti. This work also highlights the promising efficiency of Al methods such as diffusion models for high-performance needs in weather forecasting, such as tropical cyclone forecasting, while remaining computationally affordable, making them ideal for highly vulnerable regions with critical forecasting needs and financial limitations. Code accessible at \url{https://github.com/nathzi1505/forecast-diffmodels}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google