Moderní metody hlubokého učení pro predikci extrémního počasí

Abstract

Počasie je niečo, čo ovplyvňuje všetko na Zemi, kde nebezpečné počasie má vysoký potenciál páchať veľké škody alebo aj brať životy. Táto diplomová práca sa zaoberá využitím verejne dostupných radarových dát na modelovanie práve takéhoto nebezpečného počasia využitím najnovších metód hlbokého učenia. Práca začína úvodom do meteorologický radarov a dát ktoré produkujú, spolu s popisom jednodlivých veličín. Keďže dáta neboli nikde predspracované a museli byť stiahnuté pred použitím v modelovaní, práca obsahuje rozsiahly popis a analýzu získania dát, ich prisekumu, použitých filtrácií a metód preprocessingu. Modelovacia časť začína teoretickým popisom architektúr ktoré budú použité a sústreďuje sa primárne na nedávne výzkumné pokroky, kde sa využívajú transformery alebo štruktúrované stavové modely. Na túto časť nadväzuje detailný popis konkrétnych modelov, ktoré budú trénované. Tieto métody sú porovnané s dobre zavedenými predchádzajúcimi architektúrami hlbokého učenia, ako napríklad PhyDNet. Kvantitavívnu analýzu zahrňujúcu rôzne metriky následuje kvalitatívne vyhodnotenie, kde je skúmaný vizuálny aspekt individuálnych predikcií. Analýza ukázala prevažnú dominanciu sequence-to-sequence modelov, pričom autoregresívne metódy pomerne zaostávali.

Weather is something that affects everything on Earth, with specifically severe weather events having the highest potential to cause large damage or even take lives. This thesis focuses on utilizing publicly available radar data for modeling the prediction of severe weather using latest deep learning methods. The thesis first describes weather radar data and what information each of the variables conveys. As the data was needed to be downloaded from scratch before its usage in modeling, a thorough process of acquisition, exploration, filtration and preprocessing methods used are described. The modeling part starts by setting a theoretical foundation of the architectures to be used, focusing primarily on recents advancements utilizing transformers and structured state-space models. It is followed by detailed description of the specific models that ended up being used. Additionally, it compares those methods to some well-established previous deep learning architectures, such as PhyDNet. A quantitative analysis including various metrics is included and followed by qualitative assessment, where the visual aspect of the predictions is explored. The analysis has shown a dominance of sequence-to-sequence models, with auto-regressive methods lacking behind.