elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Generative modeling of spatio-temporal weather patterns with extreme event conditioning

Klemmer, Konstantin und Saha, Sudipan und Kahl, Matthias und Zhu, Xiao Xiang (2021) Generative modeling of spatio-temporal weather patterns with extreme event conditioning. In: International Conference on Learning Representations 2021, Seiten 1-6. International Conference on Learning Representations (ICLR'21), 2021-05-03 - 2021-05-07, Virtual event.

[img] PDF
1MB

Kurzfassung

Deep generative models are increasingly used to gain insights in the geospatial data domain, e.g., for climate data. However, most existing approaches work with temporal snapshots or assume 1D time-series; few are able to capture spatio-temporal processes simultaneously. Beyond this, Earth-systems data often exhibit highly irregular and complex patterns, for example caused by extreme weather events. Because of climate change, these phenomena are only increasing in frequency. Here, we proposed a novel GAN-based approach for generating spatio-temporal weather patterns conditioned on detected extreme events. Our approach augments GAN generator and discriminator with an encoded extreme weather event segmentation mask. These segmentation masks can be created from raw input using existing event detection frameworks. As such, our approach is highly modular and can be combined with custom GAN architectures. We highlight the applicability of our proposed approach in experiments with real-world surface radiation and zonal wind data.

elib-URL des Eintrags:https://elib.dlr.de/142164/
Dokumentart:Konferenzbeitrag (Anderer)
Titel:Generative modeling of spatio-temporal weather patterns with extreme event conditioning
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Klemmer, KonstantinNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Saha, SudipanNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kahl, MatthiasNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Zhu, Xiao XiangNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Datum:2021
Erschienen in:International Conference on Learning Representations 2021
Referierte Publikation:Ja
Open Access:Ja
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Seitenbereich:Seiten 1-6
Status:veröffentlicht
Stichwörter:segmentation, weather patterns, generative models
Veranstaltungstitel:International Conference on Learning Representations (ICLR'21)
Veranstaltungsort:Virtual event
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:3 Mai 2021
Veranstaltungsende:7 Mai 2021
Veranstalter :Workshop AI: Modeling Oceans and Climate Change.
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Raumfahrt
HGF - Programmthema:Erdbeobachtung
DLR - Schwerpunkt:Raumfahrt
DLR - Forschungsgebiet:R EO - Erdbeobachtung
DLR - Teilgebiet (Projekt, Vorhaben):R - Künstliche Intelligenz
Standort: Oberpfaffenhofen
Institute & Einrichtungen:Institut für Methodik der Fernerkundung > EO Data Science
Hinterlegt von: Bratasanu, Ion-Dragos
Hinterlegt am:10 Mai 2021 12:05
Letzte Änderung:24 Apr 2024 20:42

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.