[论文解读] 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 3

一句话总结

本文提出了一种级联扩散模型框架，利用红外10.8µm卫星数据和ERA5大气再分析数据，对热带气旋路径和降水进行预报，训练数据涵盖六个盆地的51个气旋。该方法在36小时内预报中SSIM > 0.5且PSNR > 20 dB，性能优异，可在消费级GPU上运行，为脆弱地区提供一种成本效益高的解决方案。

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.

研究动机与目标

• 应对气候变化导致风暴加剧背景下，对准确、经济的热带气旋预报日益增长的需求。
• 通过人工智能降低计算成本并提升可及性，克服传统超级计算机模型的局限。
• 开发一种级联扩散模型架构，集成预报、超分辨率与降水建模，实现端到端的气旋预测。
• 在涵盖六个主要盆地的51个热带气旋多样化数据集上，使用公开数据验证模型的强大预测性能。
• 优化模型效率，实现在单张消费级GPU上的部署，支持经济资源有限但风险较高的地区的实时预报。

提出的方法

• 在级联流水线中采用三个任务特定的U-Net扩散模型：预报（64×64）、超分辨率（128×128）和降水建模（64×64），每个模型均以t+1时刻的预报ERA5数据为条件。
• 使用无分类器指导、动态阈值化和指数移动平均权重以稳定训练并提升生成质量。
• 应用旋转90度和低分辨率噪声注入等数据增强技术，提升模型鲁棒性与泛化能力。
• 设计自定义数据流水线，包含边界框裁剪、元数据结构化以及按区域划分的训练-测试集（80/20），确保评估一致性。
• 采用最小-最大归一化和最小滤波器后处理步骤，以保持输出一致性并降低降水图中的噪声。
• 在2019–2023年期间获取的6个盆地的51个热带气旋自定义数据集上，使用红外10.8µm数据和ERA5再分析数据进行端到端训练。

实验结果

研究问题

• RQ1 仅使用卫星和大气再分析数据，级联扩散模型能否有效预报热带气旋路径与降水模式？
• RQ2 与传统基于仿真的方法相比，该级联扩散模型架构在准确率与计算成本方面的表现如何？
• RQ3 所提模型的有效预报时长是多少？预测精度在何时开始显著下降？
• RQ4 在不牺牲预报质量的前提下，该模型在单张消费级GPU上能否实现高效训练与部署？
• RQ5 SSIM、PSNR、MAE和FID等关键指标在预报、超分辨率与降水建模任务中的表现如何？

主要发现

• 预报模型在测试集上PSNR达24.359 dB，SSIM达0.572，超过20 dB与0.5的阈值，表明图像重建质量高。
• 超分辨率模型生成PSNR为25.760 dB，SSIM为0.658，展现出从低分辨率预报中生成高分辨率卫星图像的强大能力。
• 降水建模任务达到最高PSNR（25.943 dB）与SSIM（0.643），FID得分仅0.907，表明生成的降水模式真实且多样化。
• 滚动分析显示，所有气旋预报的SSIM在约36小时处出现稳定下降，表明可靠预报时长约为36小时。
• 所有模型在归一化图像上的MAE值均低于0.25，FID得分在所有任务中均低于1.0，证实与真实值具有高度保真度与分布相似性。
• 整个系统优化后可在单张NVIDIA RTX 2080 Ti GPU上高效运行，凸显该方法在资源有限地区实时部署的计算经济性。