Nowcasting srážek pomocí generative adversarial network

Abstract

Nedávne pokroky v oblasti umelej inteligencie umožnili použitie strojového učenia ako nástroja k nowcastingu - krátkodobej predpovedi zrážok. V posledných rokoch sme mohli vidieť mnoho publikácií na túto tému, keďže je to stále otvorený problém. Dva najväčšie problémy modelov v týchto publikáciách je predpoveď zrážok s vysokou intenzitou a predpoveď do dlhšej budúcnosti. Táto práca sa zaoberá zopakovaním a evaluáciou neurónovej siete na krátkodobú predikciu zrážok založenej na adversariálnom učení publikovanom DeepMindom. Zdrojový kód tejto siete nebol publikovaný, a tak musela byť celá implementovaná. Práca popisuje akékoľvek implementačné zmeny oproti originálnej sieti, tréningový proces a problémy ktoré počas neho nastali. Taktiež uvádza novú post-processing metódu, ktorá naďalej zlepšuje kvalitu predikcií získaného modelu. Finálny model bol evaluovaný a porovnaný s inými populárnymi metódami na krátkodobú predpoveď počasia a namerané metriky ukázali, že je s nimi zrovnateľný. Je taktiež ukázané, že predikcie získaného modelu nadobúdajú realistickejšieho vzhľadu. Je to vďaka tomu, že daný model nerozmazáva svoje predikcie v takom rozmere, ako ich rozmazávajú iné metódy.

Recent advancements in artificial intelligence have allowed the usage of machine learning as a tool for precipitation nowcasting - a short-term precipitation forecasting. There have been numerous publications in recent years, as this is still an open problem. Two biggest issues of these models is the prediction of high precipitation events and accurate prediction for longer lead times. This thesis focuses on recreating and evaluating a precipitation nowcasting neural network based on the adversarial approach published by Deepmind. The source code for this network has not been published, so it had to be implemented from scratch. The thesis describes any adjustments made to the original network that needed to be done, the training process and any issues arisen during it. It also introduces a post-processing method used to further improve the predictions's quality of the obtained model. The final model has been evaluated and compared to other popular nowcasting methods and it was able to produce predictions of comparable quality metric-wise. It is also showcased how the predictions made by this model are finer and more realistic, as they do not blur their predictions nearly as much as other methods.