基于物理信息判别器生成模型的降水快速预报
机器学习
2024-06-17 v1 人工智能
摘要
快速预报利用实时大气条件对天气进行短期预测。包括 PySTEPS 在内的前沿模型在准确预测极端天气事件方面存在困难，这些事件的分布模式具有不可预测性。本研究设计了一种物理信息神经网络，用于来自荷兰气象局 (KNMI) 的降水和气象数据进行降水快速预报。该模型受到新颖的 Physics-Informed Discriminator GAN (PID-GAN) 构想的启发，将基于物理的监督直接集成到对抗学习框架中。 proposed 模型采用 GAN 结构，包含 Vector Quantization Generative Adversarial Network (VQ-GAN) 和 Transformer 作为生成器，具有时序判别器作为判别器。我们的发现表明，PID-GAN 模型在降水快速预报下游指标方面优于数值模型和 SOTA 深度生成模型。
引用
@article{arxiv.2406.10108,
title = {Precipitation Nowcasting Using Physics Informed Discriminator Generative Models},
author = {Junzhe Yin and Cristian Meo and Ankush Roy and Zeineh Bou Cher and Yanbo Wang and Ruben Imhoff and Remko Uijlenhoet and Justin Dauwels},
journal= {arXiv preprint arXiv:2406.10108},
year = {2024}
}