[논문 리뷰] Diffusion Models for High-Resolution Solar Forecasts

Yusuke Hatanaka, Yannik Glaser외 3명|arXiv (Cornell University)|2023. 02. 01.

Meteorological Phenomena and Simulations인용 수 12

한 줄 요약

이 논문은 점수 기반 확산 모델을 사용하여 조악한 수치 기상 예보를 고해상도 확률적 태양 복사 예측으로 초해상화하고, Oahu에서의 하루 앞 구름 커버에 대해 시연한다.

ABSTRACT

Forecasting future weather and climate is inherently difficult. Machine learning offers new approaches to increase the accuracy and computational efficiency of forecasts, but current methods are unable to accurately model uncertainty in high-dimensional predictions. Score-based diffusion models offer a new approach to modeling probability distributions over many dependent variables, and in this work, we demonstrate how they provide probabilistic forecasts of weather and climate variables at unprecedented resolution, speed, and accuracy. We apply the technique to day-ahead solar irradiance forecasts by generating many samples from a diffusion model trained to super-resolve coarse-resolution numerical weather predictions to high-resolution weather satellite observations.

연구 동기 및 목표

• 확산 모델을 활용한 고차원 기상 변수의 확률적 예측에 대한 동기를 제시한다.
• 조악한 수치 기상 예측을 고해상도 위성 파생 구름 커버로 초해상화하는 것을 시연한다.
• Oahu의 하루 앞 태양 예측의 불확실성과 정확도를 정량화한다.
• 확산 기반 샘플이 현실적이고 다양하며 유용한 예측 분포를 제공한다는 것을 보인다.

제안 방법

• 두 계단식 확산 모델(64x64 그리고 128x128)을 ERA5/GFS 대기 변수로 조건화.
• 대기 조건을 평면 벡터로 주입한 U-Net 아키텍처.
• 확산 모델 학습을 위한 Denoising score matching 목표.
• 역 시간 ODE에서 샘플링하여 확률적 예측을 생성.
• 위성 파생 구름 커버에 대해 ERA5 기반 및 GFS 기반 기준과 RMSE로 평가.

Figure 1 : Instantaneous cloud cover over the Hawaiian island of Oahu, sampled from a score-based diffusion model trained on satellite data with 0.5 km resolution. The high cloud density on the windward (east) side of the Koolau mountain range (center), is characteristic of mountainous tropical isla

실험 결과

연구 질문

• RQ1 점수 기반 확산 모델이 태양과 관련된 변수에 대해 완전히 확률적이고 고해상도 예측을 제공할 수 있는가?
• RQ2 조악한 대기 출력을 초해상화하는 것이 기준 하향 스케일링보다 예측 정확도를 향상시키는가?
• RQ3 확산 모델 샘플이 불확실성과 공간 패턴(예: 지형에 의한 구름)을 Oahu에서 얼마나 잘 포착하는가?

주요 결과

Prediction	Weather Model	Diffusion	Persistence	ERA5	GFS	p-value
Historical	ERA5	0.207 ± 0.075	0.223 ± 0.090	0.362 ± 0.190	—	<5×10^-4
Future (11am)	GFS	0.198 ± 0.075	0.202 ± 0.089	—	0.358 ± 0.229	0.008

• 확산 모델은 역사적 예측에서 조악한 ERA5 기준보다 RMSE가 더 낮다(0.207 ± 0.075 vs. 0.362 ± 0.190, p < 5×10^-4).
• GFS로 조건화된 미래 11시 예측에서 확산 모델링은 조악한 GFS 기준(0.358 ± 0.229, p = 0.008)보다 RMSE가 낮은 0.198 ± 0.075를 보인다.
• 더 많은 확산 반복을 샘플링하면 예측 정확도가 향상되며, 역사적 결과에는 45회 이상 샘플이 사용되었다.
• 샘플은 현실적이고 다양하며, 샘플의 평균은 입력된 조악한 예측보다 더 나은 지점 추정치를 제공한다.
• 이 접근 방식은 희귀 이벤트의 위험 평가 및 전력망 관리에 적합한 빠른 확률적 예측을 가능하게 한다.

Figure 2 : A score-based diffusion model samples from a high-dimensional data distribution by first sampling from a reference distribution, then solving the reverse-time ODE defined by Eq. 1 to obtain a sample from the learned distribution. In this example, a $128\times 128$ pixel “noise” image is s