Estimating Atmospheric Variables from Digital Typhoon Satellite Images via Conditional Denoising Diffusion Models

要約

この研究では、デジタル台風衛星画像から複数の ERA5 気象変数を同時に予測する、台風分野における拡散モデルの応用を検討します。
この研究は、台風に対して非常に脆弱な地域である台湾に焦点を当てています。
条件付きノイズ除去拡散確率モデル (CDDPM) のパフォーマンスを畳み込みニューラル ネットワーク (CNN) およびスクイーズ アンド 励起ネットワーク (SENet) と比較した結果は、CDDPM が正確で現実的な気象データの生成において最も優れたパフォーマンスを発揮することを示唆しています。
具体的には、CDDPM は PSNR 32.807 を達成しました。これは、CNN よりも約 7.9%、SENet よりも 5.5% 高くなります。
さらに、CDDPM は 0.032 の RMSE を記録し、CNN に対して 11.1%、SENet に対して 8.6% の改善を示しました。
この研究の主な用途は、欠落している気象データセットの代入を目的としており、衛星画像を使用して追加の高品質気象データを生成することができます。
この分析の結果により、より堅牢で詳細な予測が可能になり、脆弱な地域への厳しい気象現象の影響が軽減されることが期待されています。
コードは https://github.com/TammyLing/Typhoon-forecasting からアクセスできます。

要約(オリジナル)

This study explores the application of diffusion models in the field of typhoons, predicting multiple ERA5 meteorological variables simultaneously from Digital Typhoon satellite images. The focus of this study is taken to be Taiwan, an area very vulnerable to typhoons. By comparing the performance of Conditional Denoising Diffusion Probability Model (CDDPM) with Convolutional Neural Networks (CNN) and Squeeze-and-Excitation Networks (SENet), results suggest that the CDDPM performs best in generating accurate and realistic meteorological data. Specifically, CDDPM achieved a PSNR of 32.807, which is approximately 7.9% higher than CNN and 5.5% higher than SENet. Furthermore, CDDPM recorded an RMSE of 0.032, showing a 11.1% improvement over CNN and 8.6% improvement over SENet. A key application of this research can be for imputation purposes in missing meteorological datasets and generate additional high-quality meteorological data using satellite images. It is hoped that the results of this analysis will enable more robust and detailed forecasting, reducing the impact of severe weather events on vulnerable regions. Code accessible at https://github.com/TammyLing/Typhoon-forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google