[論文レビュー] Forecasting Tropical Cyclones with Cascaded Diffusion Models

Pritthijit Nath, Pancham Shukla+2 more|arXiv (Cornell University)|Oct 2, 2023

Tropical and Extratropical Cyclones ResearchEarth and Planetary Sciences被引用数 3

ひとこと要約

本論文は、赤外線10.8µm衛星データとERA5大気再解析データを用いて、6つの海域にまたがる51個の低気圧を対象にトレーニングした、段階的拡散モデルフレームワークを提案する。この手法は、36時間予測においてSSIM > 0.5およびPSNR > 20 dBを達成し、コンsumer級GPUでも高い性能を示しており、脆弱な地域におけるコスト効率の高いソリューションである。

ABSTRACT

As tropical cyclones become more intense due to climate change, the rise of Al-based modelling provides a more affordable and accessible approach compared to traditional methods based on mathematical models. This work leverages generative diffusion models to forecast cyclone trajectories and precipitation patterns by integrating satellite imaging, remote sensing, and atmospheric data. It employs a cascaded approach that incorporates three main tasks: forecasting, super-resolution, and precipitation modelling. The training dataset includes 51 cyclones from six major tropical cyclone basins from January 2019 - March 2023. Experiments demonstrate that the final forecasts from the cascaded models show accurate predictions up to a 36-hour rollout, with excellent Structural Similarity (SSIM) and Peak-Singal-To-Noise Ratio (PSNR) values exceeding 0.5 and 20 dB, respectively, for all three tasks. The 36-hour forecasts can be produced in as little as 30 mins on a single Nvidia A30/RTX 2080 Ti. This work also highlights the promising efficiency of Al methods such as diffusion models for high-performance needs in weather forecasting, such as tropical cyclone forecasting, while remaining computationally affordable, making them ideal for highly vulnerable regions with critical forecasting needs and financial limitations. Code accessible at https://github.com/nathzi1505/forecast-diffmodels.

研究の動機と目的

• 気候変動に伴い強化する熱帯低気圧の予測ニーズに応えるため、正確で安価な予測手法の開発。
• 従来のスーパーコンピュータベースのモデルの限界を克服し、AIを活用して計算コストを削減し、アクセス性を向上。
• 予測、超解像、降水量モデリングを統合したエンドツーエンドの熱帯低気圧予測を実現する段階的拡散モデルアーキテクチャの開発。
• 6つの主要な海域にまたがる51個の熱帯低気圧を対象に、公開済みのデータを用いて多様なデータセットで高い予測性能を実証。
• 財政的に制約のある高リスク地域におけるリアルタイム予測を支援するため、単一のコンsumer級GPU上での効率的かつ迅速なデプロイを最適化。

提案手法

• 予測（64×64）、超解像（128×128）、降水量モデリング（64×64）の3つのタスク固有のU-Netベースの拡散モデルを段階的パイプラインで統合し、各モデルはt+1における予測されたERA5データに条件付けられる。
• トレーニングの安定化と生成品質の向上のため、分類器フリーのガイダンス、動的しきい値処理、指数移動平均重みを採用。
• 耐性と一般化能力を向上させるために、rotate90や低解像度ノイズ注入などのデータ拡張技術を適用。
• 一貫性のある評価を確保するため、バウンディングボックスクローリング、メタデータの構造化、地域別にトレーニング・テスト分割（80/20）を実装したカスタムデータパイプラインを構築。
• 出力の一貫性を維持し、降水量マップのノイズを低減するため、min-max正規化と最小フィルタの後処理ステップを導入。
• 2019年から2023年までのIR 10.8µmデータとERA5再解析データを用いて、6つの海域からなる51個の熱帯低気圧のカスタムデータセット上で、エンドツーエンドでモデルをトレーニング。

実験結果

リサーチクエスチョン

• RQ1 段階的拡散モデルは、衛星データと大気再解析データのみを用いて、熱帯低気圧の経路と降水量パターンを効果的に予測できるか？
• RQ2 従来のシミュレーションベースの手法と比較して、段階的拡散モデルアーキテクチャの正確性と計算コストの面での性能はいかがなっているか？
• RQ3 本手法の有効予測期間はどの程度で、予測精度が著しく低下し始めるのはどの時点か？
• RQ4 予測品質を損なわず、単一のコンsumer級GPU上で効率的にトレーニングおよびデプロイ可能か、その範囲はどの程度か？
• RQ5 SSIM、PSNR、MAE、FIDといった主な指標は、予測、超解像、降水量モデリングの各タスクにおいて、どのように評価されるか？

主な発見

• 予測モデルはテストセットでPSNR 24.359 dB、SSIM 0.572を達成し、20 dBおよび0.5の閾値を上回っており、高品質な画像再構成を示している。
• 超解像モデルはPSNR 25.760 dB、SSIM 0.658を達成し、低解像度の予測から高解像度の衛星画像を生成する強力な能力を示している。
• 降水量モデリングタスクは、最高のPSNR（25.943 dB）とSSIM（0.643）を記録し、FIDスコアが0.907と低く、現実的で多様な降水量パターンの生成が可能であることを示している。
• ロールアウト解析により、全熱帯低気圧の予測でSSIMが約36時間の時点で一貫した低下が見られ、信頼できる予測期間はおおよそ36時間であると判明した。
• すべてのモデルで正規化画像のMAE値が0.25未満、FIDスコアが全タスクで1.0未満を記録しており、真値と高い類似性と忠実度を確認した。
• システム全体が単一のNVIDIA RTX 2080 Ti GPU上で効率的に動作するよう最適化されており、財政的制約のある地域におけるリアルタイムデプロイの計算コスト効率の高さが裏付けられている。