Precipitation nowcasting with generative diffusion models

要約

近年、正確な天気予測のための従来の数値手法は、深層学習手法によってますます困難になっています。
短期および中期の天気予報に使用される多数の履歴データセットは、通常、規則的な空間グリッド構造に編成されます。
この配置は画像に非常に似ており、各気象変数を地図として、または時間軸を考慮するとビデオとして視覚化できます。
敵対的生成ネットワーク、変分オートエンコーダー、または最近のノイズ除去拡散モデルを含むいくつかのクラスの生成モデルは、次のフレーム予測問題への適用可能性がほぼ証明されているため、天気予測ベンチマークでそのパフォーマンスをテストするのは自然なことです。
拡散モデルは、天気予報の本質的に確率的な性質のため、この文脈では特に魅力的です。モデル化に本当に興味があるのは、期待値が最も可能性の高い予測である気象指標の確率分布です。
私たちの研究では、2016 年から 2021 年までの中央ヨーロッパに関する時間ごとのデータを含む ERA-5 データセットの特定のサブセットに焦点を当てています。この文脈の中で、降水量ナウキャスティングのタスクを処理する際の拡散モデルの有効性を調べます。
。
私たちの研究は、既存の文献に記載されているように、確立された U-Net モデルのパフォーマンスと比較して行われます。
私たちが提案する生成アンサンブル拡散 (GED) のアプローチでは、拡散モデルを利用して、起こり得る気象シナリオのセットを生成し、後処理ネットワークを使用して可能性のある予測に統合します。
このアプローチは、最近の深層学習モデルと比較して、全体的なパフォーマンスの点で大幅に優れています。

要約(オリジナル)

In recent years traditional numerical methods for accurate weather prediction have been increasingly challenged by deep learning methods. Numerous historical datasets used for short and medium-range weather forecasts are typically organized into a regular spatial grid structure. This arrangement closely resembles images: each weather variable can be visualized as a map or, when considering the temporal axis, as a video. Several classes of generative models, comprising Generative Adversarial Networks, Variational Autoencoders, or the recent Denoising Diffusion Models have largely proved their applicability to the next-frame prediction problem, and is thus natural to test their performance on the weather prediction benchmarks. Diffusion models are particularly appealing in this context, due to the intrinsically probabilistic nature of weather forecasting: what we are really interested to model is the probability distribution of weather indicators, whose expected value is the most likely prediction. In our study, we focus on a specific subset of the ERA-5 dataset, which includes hourly data pertaining to Central Europe from the years 2016 to 2021. Within this context, we examine the efficacy of diffusion models in handling the task of precipitation nowcasting. Our work is conducted in comparison to the performance of well-established U-Net models, as documented in the existing literature. Our proposed approach of Generative Ensemble Diffusion (GED) utilizes a diffusion model to generate a set of possible weather scenarios which are then amalgamated into a probable prediction via the use of a post-processing network. This approach, in comparison to recent deep learning models, substantially outperformed them in terms of overall performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google