Score-based diffusion nowcasting of GOES imagery

要約

雲と降水量は、天候と気候を理解するために重要です。
雲のシミュレーションと従来の数値の天気予測での降水量は、サブグリッドパラメーター化が必要なため、困難です。
機械学習は、雲と降水の予測のために調査されていますが、早期の機械学習方法はしばしばぼやけた予測を作成しました。
このペーパーでは、スコアベースの拡散という名前の新しい方法（ゼロから3時間の予測）クラウドと降水を検討します。
スコアベースの拡散モデルの背景と直観について説明します – したがって、コミュニティの出発点を提供します – ガステーションの赤外線画像の速さでの方法論の使用を調査します。
3つの主要なタイプの拡散モデルを実験します。標準スコアベースの拡散モデル（DIFF）。
残留補正拡散モデル（Corrdiff）;
潜在拡散モデル（LDM）。
我々の結果は、拡散モデルが既存の雲を移行するだけでなく、対流開始を含む雲を生成および崩壊させることができることを示しています。
これらの結果は驚くべきことです。なぜなら、予測は過去20分間の赤外線衛星画像で開始されるためです。
ケーススタディでは、従来の平均2乗エラートレーニングUNETよりも、高解像度の特徴の保存が予測により長く保存されていることを定性的に示しています。
テストされた3つの拡散モデルの中で最高のアプローチは、他のすべての拡散モデル、従来のU-NET、およびルート平均二乗エラーで1〜2ケルビンの持続性予測を上回る回路アプローチでした。
拡散モデルは、すぐにボックスのアンサンブル生成を可能にします。これは、アンサンブルの拡散がエラーとよく相関するように熟練したキャリブレーションを示します。

要約(オリジナル)

Clouds and precipitation are important for understanding weather and climate. Simulating clouds and precipitation with traditional numerical weather prediction is challenging because of the sub-grid parameterizations required. Machine learning has been explored for forecasting clouds and precipitation, but early machine learning methods often created blurry forecasts. In this paper we explore a newer method, named score-based diffusion, to nowcast (zero to three hour forecast) clouds and precipitation. We discuss the background and intuition of score-based diffusion models – thus providing a starting point for the community – while exploring the methodology’s use for nowcasting geostationary infrared imagery. We experiment with three main types of diffusion models: a standard score-based diffusion model (Diff); a residual correction diffusion model (CorrDiff); and a latent diffusion model (LDM). Our results show that the diffusion models are able to not only advect existing clouds, but also generate and decay clouds, including convective initiation. These results are surprising because the forecasts are initiated with only the past 20 mins of infrared satellite imagery. A case study qualitatively shows the preservation of high resolution features longer into the forecast than a conventional mean-squared error trained U-Net. The best of the three diffusion models tested was the CorrDiff approach, outperforming all other diffusion models, the traditional U-Net, and a persistence forecast by one to two kelvin on root mean squared error. The diffusion models also enable out-of-the-box ensemble generation, which shows skillful calibration, with the spread of the ensemble correlating well to the error.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google