NOWCASTING USING GENERATIVE NEURAL NETWORKS

• Main Authors: MIROWSKI, Piotr Wojciech, BROCK, Andrew, LENC, Karel, RAVURI, Suman, LAM, Remi Roger Alain Paul, WILLSON, Matthew James
• Format: Patent
• Language: English; French
• Published: 25.08.2022
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; CONTROLLING; COUNTING; MEASURING; METEOROLOGY; PHYSICS; REGULATING; SIGNALLING; SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES; TESTING; TRAFFIC CONTROL SYSTEMS

Methods, systems, and apparatus, including computer programs encoded on computer storage media, for precipitation nowcasting using generative neural networks. One of the methods includes obtaining a context temporal sequence of a plurality of context radar fields characterizing a real-world location, each context radar field characterizing the weather in the real-world location at a corresponding preceding time point; sampling a set of one or more latent inputs by sampling values from a specified distribution; and for each sampled latent input, processing the context temporal sequence of radar fields and the sampled latent input using a generative neural network that has been configured through training to process the temporal sequence of radar fields to generate as output a predicted temporal sequence comprising a plurality of predicted radar fields, each predicted radar field in the predicted temporal sequence characterizing the predicted weather in the real-world location at a corresponding future time point. La présente invention concerne des procédés, des systèmes et un appareil, incluant des programmes informatiques codés sur des supports de stockage informatiques, destinés à la prévision immédiate de précipitations à l'aide de réseaux neuronaux génératifs. L'un des procédés consiste à obtenir une séquence temporelle de contexte d'une pluralité de champs de radar de contexte caractérisant un emplacement du monde réel, chaque champ de radar de contexte caractérisant les conditions météorologiques dans l'emplacement du monde réel à un instant précédent correspondant ; à échantillonner un ensemble d'une ou de plusieurs entrées latentes par échantillonnage de valeurs à partir d'une distribution spécifiée ; et pour chaque entrée latente échantillonnée, à traiter la séquence temporelle de contexte de champs de radar et l'entrée latente échantillonnée à l'aide d'un réseau neuronal génératif qui a été configuré par apprentissage pour traiter la séquence temporelle de champs de radar pour générer en sortie une séquence temporelle prédite comprenant une pluralité de champs de radar prédits, chaque champ de radar prédit dans la séquence temporelle prédite caractérisant le temps prédit dans l'emplacement du monde réel à un instant futur correspondant.