Exploring Complexity in Meteorological Data

Enhancing Weather Forecasts Through Deep Learning-Based Post-Processing

Sammendrag

Værvarsling spiller en viktig rolle i samfunnet. Det påvirker alt fra små avgjørelser som hvordan en bør kle seg for dagen, til omfattende avgjørelser som hvilke tiltak som trengs forå stille forberedt i møte med ekstremvær. Siden offentlige værvarsler danner grunnlaget for så mange avgjørelser, er det ytterst viktig at de er pålitelige og presise. Å modellere været er en høyst kompleks oppgave. Modellene er nødt til å representere alt fra lokale fenomener til globale systemer, over flere tidsskalaer. Og fordi værmodellene optimeres med tanke på deres helhetlige ytelse, må varslene ofte gjennom ulike typer postprosessering, en form for finpussing, før de når ut til offentligheten. Tradisjonelt sett har denne postprosesseringen bestått i å modellere det statistiske forholdet mellom output fra modellene og observasjoner, ved hjelp av tradisjonelle statistiske metoder. Men disse forholdene kan være komplekse, og dette, i kombinasjon med at store datasett er lett tilgjengelige, har f˚att forskere til å vende blikket mot mer moderne tilnærmingsmetoder fra informasjonsteknologiens verden. Denne avhandlingen søker å gi et svar på spørsmålet: Hvordan kan vi best utnytte potensialet i de meteorologiske dataenes komplekse natur ved hjelp av dyp læring? Arbeidet utforsker ulike nivåer av kompleksitet i dype nevrale nettverk, fordelene ved å kombinere heterogene inputdata i et multimodalt nevralt nettverk, og verdien av å gi et nevralt nettverk ensembler av værvarsler, med et mål om å identifisere de beste måtene å hente ut potensialet i dataene på. To nye modellarkitekturer blir presentert i denne avhandlingen: tower network og ensemble conditional Generative Adversarial Network (cGAN). Førstnevnte blir brukt i utforskningen av multimodalitet, og av viktigheten av kompleksitet i et nevralt nettverk. Sette sammenlignet med andre, enklere og mer komplekse nettverk. Ensemble cGAN er en utvidelse av cGAN hvor ensembler av værvarsler blir brukt som input. Denne arkitekturen blir sammenlignet med tradisjonelle cGAN, og diverse konfigurasjoner blir testet og sammenlignet. Denne avhandligen finner at kombinasjonen av datakilder i et multimodalt nettverk gir stor merverdi utover bruken av en enkelt datakilde. En økning i kompleksiteten til et nettverk gir ikke nødvendigvis positivt utslag på ytelsen. Og utforskningen av ensembledata brukt i trening og test av nevrale nettverk, viser at det er verdi å hente i ensemblene. Effekten vi observerte var begrenset, men alt tyder på at dette er et emne som fortjener mer oppmerksomhet i fremtidig arbeid.