[论文解读] Generative modeling of spatio-temporal weather patterns with extreme event conditioning

Konstantin Klemmer, Sudipan Saha+3 more|arXiv (Cornell University)|Apr 26, 2021

Time Series Analysis and Forecasting参考文献 24被引用 9

一句话总结

本文提出了一种条件式生成对抗网络（GAN）框架，通过极端天气事件分割掩码进行条件控制，生成逼真的时空天气模式。通过将学习到的掩码编码器整合到COT-GAN主干网络中，该模型能够生成地表辐射和纬向风的高保真合成数据，展现出出色的视觉保真度，并在极端事件建模的数据增强方面具有潜力。

ABSTRACT

Deep generative models are increasingly used to gain insights in the geospatial data domain, e.g., for climate data. However, most existing approaches work with temporal snapshots or assume 1D time-series; few are able to capture spatio-temporal processes simultaneously. Beyond this, Earth-systems data often exhibit highly irregular and complex patterns, for example caused by extreme weather events. Because of climate change, these phenomena are only increasing in frequency. Here, we proposed a novel GAN-based approach for generating spatio-temporal weather patterns conditioned on detected extreme events. Our approach augments GAN generator and discriminator with an encoded extreme weather event segmentation mask. These segmentation masks can be created from raw input using existing event detection frameworks. As such, our approach is highly modular and can be combined with custom GAN architectures. We highlight the applicability of our proposed approach in experiments with real-world surface radiation and zonal wind data.

研究动机与目标

• 为应对由于气候变化导致极端天气事件增多而带来的生成逼真时空天气模式的挑战。
• 开发一种模块化、灵活的框架，将极端天气事件分割掩码作为生成建模中的条件上下文。
• 通过生成事件条件化的合成天气模式，提升极端天气预测中的数据增强效果与鲁棒性。

提出的方法

• 该方法采用掩码编码器，将多类别极端天气事件分割掩码（如热带气旋、大气河流等）嵌入为上下文向量。
• 将掩码编码器集成到COT-GAN主干网络中，利用因果最优传输（causal optimal transport）确保生成序列的时间一致性。
• 生成器与判别器均引入编码后的掩码表示，从而实现时空天气模式的条件生成。
• 模型使用二维卷积层进行空间编码，以及两层具有批量归一化的LSTM层进行时间建模。
• 该框架在2004年的真实地表辐射与纬向风数据上，使用带有权重衰减解耦的Adam优化器进行训练。
• 该方法具有模块化特性，兼容多种GAN架构，可无缝集成至现有的视频与时空GAN模型中。

实验结果

研究问题

• RQ1 能否有效将极端天气事件分割掩码用作时空天气模式生成建模中的条件上下文？
• RQ2 基于此类掩码条件的GAN在多大程度上能再现真实极端天气事件的空间与时间动态特征？
• RQ3 与无条件生成相比，掩码编码的集成是否能提升生成天气数据的保真度与真实感？
• RQ4 所提出的方法能否生成在视觉与统计特性上均与真实极端天气模式相似的合成数据？
• RQ5 该方法在不同气象变量与极端天气类型上的可扩展性与泛化能力如何？

主要发现

• 模型生成的合成天气模式在视觉上与真实数据高度相似，且在连续10个时间步内表现出强空间与时间一致性。
• 即使仅训练300个周期，生成样本也已展现出高视觉保真度，表明模型具有快速收敛与高效学习能力。
• 该模型成功基于多类别极端天气掩码进行条件控制，生成了对应热带气旋、温带气旋与大气河流等不同天气模式。
• 将掩码编码器集成至COT-GAN框架后，生成序列的真实感得到提升，且未影响训练稳定性。
• 该方法在训练鲁棒的极端天气预测器与改进天气临近预报系统方面展现出强大潜力，尤其在数据增强方面。
• 模块化设计使其可无缝集成至现有GAN架构中，显著提升其在不同气候与遥感应用中的适应性。