Zvýšení rozlišení meteorologických dat pomocí difuzních modelů
Super-Resolution Enhancement of Weather Data Using Diffusion Models
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Jan-Matyáš Martinů
Vedoucí práce
Šimánek Petr
Oponent práce
Čepek Miroslav
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika, platnost do 2024Instituce přidělující hodnost
katedra aplikované matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Bakalářské práce - 18105 [292]