Precipitation Nowcasting Using Physics Informed Discriminator Generative Models

2024年06月14日
  • 简介
    这篇摘要介绍了现在预测利用实时大气条件来短期预测天气。现有的模型,包括PySTEPS,由于其不可预测的分布模式,在准确预测极端天气事件方面遇到了困难。本研究设计了一个物理学基础的神经网络,利用荷兰皇家气象研究所(KNMI)的降水和气象数据进行降水现在预测。该模型受到新型物理学信息鉴别器GAN(PID-GAN)公式的启发,在对抗学习框架中直接集成了基于物理学的监督。所提出的模型采用了GAN结构,具有矢量量化生成对抗网络(VQ-GAN)和变压器作为生成器,以时间鉴别器作为鉴别器。我们的研究结果表明,PID-GAN模型在降水现在预测下游指标方面优于数值和SOTA深度生成模型。
  • 图表
  • 解决问题
    本论文旨在设计一种基于物理学的神经网络模型,利用荷兰皇家气象研究所(KNMI)的降水和气象数据进行降水预测,以解决现有模型在极端天气事件预测方面的不准确性问题。
  • 关键思路
    该论文提出了一种基于物理学的判别器生成对抗网络(PID-GAN)模型,将物理学知识融入到对抗学习框架中,采用VQ-GAN和Transformer作为生成器,采用时间鉴别器作为判别器,以提高降水预测的准确性。
  • 其它亮点
    该模型在现有数字模型和深度生成模型方面表现出色,实验结果表明PID-GAN模型在降水预测下游指标方面优于其他模型。该论文使用KNMI的降水和气象数据进行实验,并开源了代码,为进一步的研究提供了基础。
  • 相关研究
    近期在这个领域的相关研究包括:1)基于循环神经网络的降水预测模型;2)基于深度学习的极端天气事件预测方法;3)基于卷积神经网络的短期降水预测模型。
PDF
原文
点赞 收藏 评论 分享到Link

沙发等你来抢

去评论