Techniky strojového učení pro předpovídání extrémních meteorologických událostí

Abstract

Přesná předpověď extrémního počasí je klíčová pro bezpečnost veřejnosti a minimalizaci škod. Současné metody hlubokého učení pro krátkodobou předpověď počasí se často potýkají s řídkým výskytem a komplexní dynamikou extrémních povětrnostních jevů, což vede k prostorově neostrým předpovědím, podhodnocování kritických událostí a neefektivnímu využití parametrů modelů. Tato práce identifikuje hlavní nedostatky a experimentálně ověřuje řešení pro nowcasting intenzivních srážek. K řešení těchto problémů práce zkoumá alternativní ztrátové funkce a fyzikálně založené modely pro redukci prostorové neostrosti. Pro zlepšení predikce závažných událostí se v práci využívají vážené ztrátové funkce a vícefázové modely. Dále se zkoumá dekompozice úkolů pro efektivnější využití parametrů při učení atmosférických procesů. V závěru práce poskytuje praktické poznatky pro zlepšení strojového učení v předpovídání extrémního počasí a navrhuje metody pro zvýšení přesnosti optimalizací vizuální věrnosti nebo dekompozicí složitých úkolů na menší, zvládnutelné dílčí problémy, s cílem dosáhnout robustnějších predikcí.

Accurate extreme weather forecasting is crucial for public safety and minimizing damage. Current deep learning methods for short-term weather forecasting often struggle with the rare and complex dynamics of extreme weather, leading to blurry spatial predictions, underprediction of critical events, and inefficient parameter use. This thesis identifies key shortcomings and experimentally verifies solutions for severe precipitation nowcasting. To address these issues, this research explores alternative structure-based losses and physics-informed models to reduce spatial blurriness. It also utilizes weighted losses and mixture models to improve severe event prediction and investigates task decomposition to enhance parameter efficiency in learning atmospheric processes. The findings offer practical insights for improving machine learning in extreme weather forecasting. They suggest methods to increase accuracy by optimizing for visual fidelity or by decomposing complex forecasting tasks into smaller, manageable sub-problems for robust predictions.