Zvýšení rozlišení meteorologických dat pomocí difuzních modelů

Abstract

Tato práce se zabývá použitím pokročilých difuzních modelů založených na hlubokém učení a to konkrétně architektur SR3, SRDiff a ResDiff, pro superrozlišení meteorologických dat. Hlavním cílem je posoudit schopnost těchto modelů zvyšovat rozlišení meteorologických proměnných ze vstupů s nízkým rozlišením. Tato schopnost je klíčová pro analýzu klimatu a přesnou předpověď počasí. Prostřednictvím experimentů prováděných na WeatherBench datasetu, tato práce porovnává tyto modely pomocí různých validačních metrik a vylepšuje jejich architekturu. Výsledky experimentů ukazují, že SRDiff, ResDiff a jeho varianta vylepšená pomocí fyzikálních konvolučních filtrů, výrazně překonávají původní SR3 model a lépe zachycují vysokofrekvenční detaily důležité pro přesnou reprezentaci počasí. Tato práce ukazuje potenciál využití umělé inteligence v meteorologii a vytváří základ pro budoucí pokrok difuzních modelů v tomto oboru.This thesis investigates the application of advanced deep-learning diffusion models, specifically SR3, SRDiff, and ResDiff architectures, for super-resolution of weather data. The primary focus is to evaluate these model's capability to enhance the resolution of meteorological variables from low-resolution inputs, a crucial aspect for an accurate weather forecasting and climate analysis. Through experiments, conducted using the WeatherBench dataset, this work compares the performance of these models using a variety of validation metrics and explores enhancements through physics-based modifications and architectural improvements. The findings indicate that SRDiff, and ResDiff, further improved by incorporating physics-based filters, significantly outperform the traditional SR3 method, offering substantial improvements in capturing high-frequency details essential for accurate meteorological representations. This thesis underscores the potential of integrating artificial intelligence with meteorological science to advance weather prediction capabilities, setting a foundation for future improvements in deep-learning diffusion models for weather data super-resolution.