Precipitation Nowcasting Using Physics Informed Discriminator Generative Models

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。

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。

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。

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。

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。