Precipitation Nowcasting Using Physics Informed Discriminator Generative Models

要約

ナウキャスティングは、リアルタイムの大気状況を活用して、短期間の天気を予測します。
PySTEPS などの最先端のモデルは、予測できない分布パターンのため、異常気象を正確に予測することが困難です。
この研究では、オランダ王立気象研究所 (KNMI) からの降水量と気象データを使用して、降水量ナウキャスティングを実行する物理情報に基づいたニューラル ネットワークを設計します。
このモデルは、新しい Physics-Informed Discriminator GAN (PID-GAN) 定式化からインスピレーションを得ており、敵対的学習フレームワーク内に物理ベースの監視を直接統合しています。
提案モデルは GAN 構造を採用しており、VQ-GAN (Vector Quantization Generative Adversarial Network) と生成器としての Transformer を特徴とし、弁別器として時間弁別器を備えています。
私たちの調査結果は、PID-GAN モデルが降水量ナウキャスト下流メトリクスの点で数値モデルおよび SOTA 深層生成モデルよりも優れていることを示しています。

要約(オリジナル)

Nowcasting leverages real-time atmospheric conditions to forecast weather over short periods. State-of-the-art models, including PySTEPS, encounter difficulties in accurately forecasting extreme weather events because of their unpredictable distribution patterns. In this study, we design a physics-informed neural network to perform precipitation nowcasting using the precipitation and meteorological data from the Royal Netherlands Meteorological Institute (KNMI). This model draws inspiration from the novel Physics-Informed Discriminator GAN (PID-GAN) formulation, directly integrating physics-based supervision within the adversarial learning framework. The proposed model adopts a GAN structure, featuring a Vector Quantization Generative Adversarial Network (VQ-GAN) and a Transformer as the generator, with a temporal discriminator serving as the discriminator. Our findings demonstrate that the PID-GAN model outperforms numerical and SOTA deep generative models in terms of precipitation nowcasting downstream metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google