PostCast：通过无监督模糊度建模实现可泛化的降水临近预报后处理
计算机视觉与模式识别
2024-10-10 v1 人工智能
摘要
降水临近预报在社会经济领域，特别是在强对流天气预警中起着关键作用。尽管通过深度学习方法挖掘时空相关性取得了显著进展，但这些方法随着预报时效的增加仍然存在严重的模糊问题，这阻碍了对极端降水的准确预测。为了减轻模糊，研究人员探索了以模糊预测为条件的生成方法。然而，需要预先生成模糊预测和相应真实值的配对，这使得训练流程繁琐，并限制了生成模型在训练数据中出现的模糊模式内的泛化性。通过将降水临近预报中的模糊重新视为作用于预测的模糊核，我们提出了一种无监督的后处理方法，无需使用模糊预测和相应真实值的配对进行训练即可消除模糊。具体来说，我们利用模糊预测来引导预训练的无条件去噪扩散概率模型（DDPM）的生成过程，以获得消除模糊的高保真预测。引入了零样本模糊核估计机制和自动缩放去噪引导策略，使无条件DDPM能够适应降水临近预报中因数据集和预报时效而异的任何模糊模式。在7个降水雷达数据集上进行了大量实验，证明了我们方法的泛化性和优越性。
引用
@article{arxiv.2410.05805,
title = {PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling},
author = {Junchao Gong and Siwei Tu and Weidong Yang and Ben Fei and Kun Chen and Wenlong Zhang and Xiaokang Yang and Wanli Ouyang and Lei Bai},
journal= {arXiv preprint arXiv:2410.05805},
year = {2024}
}