PreDiff: Niederschlagsvorhersage mit latenter Diffusionsmodellen

Die Vorhersage des Erdsystems hat traditionell auf komplexen physikalischen Modellen basiert, die rechenintensiv sind und erhebliche fachliche Expertise erfordern. In den letzten zehn Jahren hat die beispiellose Zunahme an raumzeitlichen Beobachtungsdaten der Erde ermöglicht, datengetriebene Vorhersagemodelle mittels Deep-Learning-Techniken zu entwickeln. Diese Modelle haben bei einer Vielzahl von Aufgaben der Erdsystemvorhersage vielversprechende Ergebnisse gezeigt, leiden jedoch entweder unter Schwierigkeiten bei der Behandlung von Unsicherheiten oder vernachlässigen spezifisches fachliches Vorwissen, was zu einer Glättung möglicher zukünftiger Szenarien führt – resultierend in verschwommenen Vorhersagen – oder zu physikalisch unplausiblen Prognosen. Um diese Grenzen zu überwinden, schlagen wir eine zweistufige Pipeline für probabilistische raumzeitliche Vorhersagen vor: 1) Wir entwickeln PreDiff, ein bedingtes latentes Diffusionsmodell, das probabilistische Vorhersagen ermöglicht. 2) Wir integrieren eine explizite Mechanismus zur Ausrichtung mit fachspezifischen physikalischen Einschränkungen, indem wir die Abweichung von vorgegebenen physikalischen Bedingungen in jedem Entrauschungsschritt schätzen und entsprechend die Übergangsverteilung anpassen. Wir führen empirische Studien an zwei Datensätzen durch: N-body MNIST, einem synthetischen Datensatz mit chaotischem Verhalten, und SEVIR, einem realen Datensatz zur kurzfristigen Niederschlagsvorhersage. Insbesondere setzen wir in N-body MNIST das Erhaltungsgesetz der Energie und in SEVIR die erwartete Niederschlagsintensität als physikalische Einschränkung voraus. Experimente belegen die Wirksamkeit von PreDiff bei der Behandlung von Unsicherheiten, der Integration fachspezifischer Vorwissen und der Erzeugung von Vorhersagen mit hoher operativer Relevanz.