Vylepšení krátkodobé předpovědi srážek s využitím metod hlubokého učení s pokročilou architekturou

Abstract

Nowcasting srážek si klade za cíl poskytovat přesné krátkodobé předpovědi srážek pro určitou oblast. V posledních letech se k takovým předpovědím čím dál častěji využívají hluboké neuronové sítě. Zaměřením této práce je vylepšení jedné z těchto sítí, PhyDNet, sestávající se z dvouvětvé architektury, která rozplétá fyzikální dynamiku bouřek od ostatních informací. V jedné z větví PhyDNetu se v současnosti využívá jednoduchý model pro obecné předpovídání snímků videa, ConvLSTM. V této práci provádíme několik úprav PhyDNetu, od malých změn současné architektury až po experimentování s využitím jiných modelů místo ConvLSTM, specificky SA-ConvLSTM a PredRNN. Tato práce přináší dvě perspektivní modifikace -- nahrazení ConvLSTM za komplexnější model PredRNN a přidání zkratky (tzv. skip connection) do větve zodpovědné za modelování fyzikální dynamiky. Naše experimenty ukazují, že tyto změny přináší lepší výsledky oproti původnímu modelu, obzvláště pro dlouhodobější předpovědi.

The goal of precipitation nowcasting is to give a precise short-term prediction of rainfall intensity in a local region. In recent years, this problem has seen wide adoption by many deep learning models for spatiotemporal prediction. This thesis focuses on improving one such model, PhyDNet, which disentangles physical dynamics from other, unknown, information in a two-branch architecture. The branch for capturing the unknown phenomena uses a basic Conv\-LSTM model for general video prediction. In this thesis, we apply several modifications to the PhyDNet, ranging from small adjustments to the current architecture to experiments with swapping the ConvLSTM for different models, namely SA-ConvLSTM and PredRNN. We present two promising alterations -- replacing ConvLSTM with a more complex PredRNN model and adding a skip connection to the branch that models physical dynamics. The results of our experiments show that these modifications can outperform the original network, especially for more long-term predictions.