論文の概要: Increasing the accuracy and resolution of precipitation forecasts using
deep generative models
- arxiv url: http://arxiv.org/abs/2203.12297v1
- Date: Wed, 23 Mar 2022 09:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 14:08:48.847781
- Title: Increasing the accuracy and resolution of precipitation forecasts using
deep generative models
- Title(参考訳): 深部生成モデルによる降水予測の精度と解像度の向上
- Authors: Ilan Price, Stephan Rasp
- Abstract要約: 我々は、高分解能でバイアス補正された予測のアンサンブルを生成するために、CorrectorGANという条件付きジェネレーティブ・アドバイサル・ネットワークを訓練する。
一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
その結果、地域モデルの必要性や、データ駆動型ダウンスケーリングと修正手法がデータ・プール領域に移行できるかどうかについて、エキサイティングな疑問が浮かび上がっている。
- 参考スコア(独自算出の注目度): 3.8073142980733
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately forecasting extreme rainfall is notoriously difficult, but is also
ever more crucial for society as climate change increases the frequency of such
extremes. Global numerical weather prediction models often fail to capture
extremes, and are produced at too low a resolution to be actionable, while
regional, high-resolution models are hugely expensive both in computation and
labour. In this paper we explore the use of deep generative models to
simultaneously correct and downscale (super-resolve) global ensemble forecasts
over the Continental US. Specifically, using fine-grained radar observations as
our ground truth, we train a conditional Generative Adversarial Network --
coined CorrectorGAN -- via a custom training procedure and augmented loss
function, to produce ensembles of high-resolution, bias-corrected forecasts
based on coarse, global precipitation forecasts in addition to other relevant
meteorological fields. Our model outperforms an interpolation baseline, as well
as super-resolution-only and CNN-based univariate methods, and approaches the
performance of an operational regional high-resolution model across an array of
established probabilistic metrics. Crucially, CorrectorGAN, once trained,
produces predictions in seconds on a single machine. These results raise
exciting questions about the necessity of regional models, and whether
data-driven downscaling and correction methods can be transferred to data-poor
regions that so far have had no access to high-resolution forecasts.
- Abstract(参考訳): 極端な降雨の正確な予測は難しいが、気候変動が極端な降雨の頻度を増大させるにつれて、社会にとってさらに重要となる。
地球規模での気象予報モデルはしばしば極端に捉えられず、局所的な高分解能モデルは計算と労働の両方において非常に高価であるのに対し、解像度が低くて実行不可能である。
本稿では,米国大陸におけるグローバルアンサンブル予測の修正とダウンスケールを同時に行うための,深層生成モデルの利用について検討する。
具体的には,細粒度のレーダー観測を基礎として,独自の訓練手順と拡張損失関数を用いて条件付き生成型敵ネットワークを訓練し,他の関連する気象分野に加えて,粗大で大域的な降水予測に基づく高精度なバイアス補正予測のアンサンブルを作成する。
我々のモデルは補間ベースラインと超分解能のみおよびCNNに基づく単変量法を上回り、確立された確率的指標の配列にまたがる運用領域の高分解能モデルの性能にアプローチする。
重要なことは、一度訓練されたCorrectorGANは、1台のマシンで数秒で予測を生成する。
これらの結果から,地域モデルの必要性やデータ駆動型ダウンスケール法や補正法が,これまで高解像度の予測にはアクセスできなかったデータマイニング領域に移行可能であるか,という,エキサイティングな疑問が浮かび上がっている。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - Probabilistic Precipitation Downscaling with Optical Flow-Guided
Diffusion [19.822891338324453]
気候科学と気象学では、局所降水予測はシミュレーション手法が必要とする高解像度の空間分解能によって制限される。
一般的な回避策は統計的ダウンスケーリング(いわゆる超解像)であり、統計的アプローチを用いて低解像度の予測を超解いたものである。
従来のコンピュータビジョンタスクは主に人間の知覚や平均二乗誤差に焦点を当てるが、天気や気候の応用には高解像度パターンの条件分布を捉える必要がある。
論文 参考訳(メタデータ) (2023-12-11T02:38:07Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳(メタデータ) (2023-11-30T08:22:08Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Towards replacing precipitation ensemble predictions systems using
machine learning [0.0]
本研究では,高分解能降水に対するアンサンブル気象予測のための新しい手法を提案する。
本手法は,複雑な降水パターンを学習するために生成的対向ネットワークを用いる。
本研究では, 未確認高解像度の降水アンサンブル部材の現実的な生成の可能性を示す。
論文 参考訳(メタデータ) (2023-04-20T12:20:35Z) - Diffusion Models for High-Resolution Solar Forecasts [0.0]
スコアベース拡散モデルは、多くの依存変数上の確率分布をモデル化するための新しいアプローチを提供する。
本手法は,超解速気象予測のための拡散モデルから多くの試料を発生させることにより,日頭太陽照度予測に適用する。
論文 参考訳(メタデータ) (2023-02-01T01:32:25Z) - A Generative Deep Learning Approach to Stochastic Downscaling of
Precipitation Forecasts [0.5906031288935515]
GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。
GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
論文 参考訳(メタデータ) (2022-04-05T07:19:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。