基于极端事件条件的时空天气模式生成建模

深度生成模型正日益被用于获取地理空间数据领域（例如气候数据）的洞察。然而，大多数现有方法处理时间快照或假设为一维时间序列；极少有方法能够同时刻画时空过程。除此之外，地球系统数据常表现出高度不规则且复杂的模式，例如由极端天气事件所引发者。由于气候变化，此类现象的频率只增不减。在此，我们提出了一种新颖的基于GAN的方法，用于生成以检测到的极端事件为条件的时空天气模式。我们的方法利用编码后的极端天气事件分割掩码来增强GAN生成器与判别器。这些分割掩码可使用现有的事件检测框架从原始输入中创建。因此，我们的方法具有高度模块化特性，并可与定制的GAN架构相结合。我们通过真实地表辐射与纬向风数据的实验凸显了所提方法的适用性。