Improving Tropical Cyclone Forecasting With Video Diffusion Models

要約

熱帯低気圧（TC）予測は、災害の準備と緩和に不可欠です。
最近の深い学習アプローチは有望であることが示されていますが、既存の方法はTCの進化を一連の独立したフレーム間予測として扱い、長期的なダイナミクスをキャプチャする能力を制限することがよくあります。
TC予測のビデオ拡散モデルの新しいアプリケーションを提示し、追加の時間層を介して時間的依存性を明示的にモデル化します。
私たちのアプローチにより、モデルは複数のフレームを同時に生成し、サイクロンの進化パターンをより適切にキャプチャできます。
低データ体制の個人フレームの品質とパフォーマンスを大幅に改善する2段階のトレーニング戦略を導入します。
実験結果は、私たちの方法がNath et alの以前のアプローチよりも優れていることを示しています。
MAEで19.3％、PSNRで16.2％、SSIMで36.1％。
最も注目すべきは、信頼できる予測期間を36〜50時間に拡張することです。
従来のメトリックとFR \ ‘Echetビデオ距離（FVD）の両方を使用した包括的な評価を通じて、私たちのアプローチは、競争力のあるシングルフレーム品質を維持しながら、より一時的に一貫した予測を生成することを実証します。
https://github.com/ren-creater/forecast-video-diffmodelsでアクセス可能なコード。

要約(オリジナル)

Tropical cyclone (TC) forecasting is crucial for disaster preparedness and mitigation. While recent deep learning approaches have shown promise, existing methods often treat TC evolution as a series of independent frame-to-frame predictions, limiting their ability to capture long-term dynamics. We present a novel application of video diffusion models for TC forecasting that explicitly models temporal dependencies through additional temporal layers. Our approach enables the model to generate multiple frames simultaneously, better capturing cyclone evolution patterns. We introduce a two-stage training strategy that significantly improves individual-frame quality and performance in low-data regimes. Experimental results show our method outperforms the previous approach of Nath et al. by 19.3% in MAE, 16.2% in PSNR, and 36.1% in SSIM. Most notably, we extend the reliable forecasting horizon from 36 to 50 hours. Through comprehensive evaluation using both traditional metrics and Fr\’echet Video Distance (FVD), we demonstrate that our approach produces more temporally coherent forecasts while maintaining competitive single-frame quality. Code accessible at https://github.com/Ren-creater/forecast-video-diffmodels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google