Generative Adversarial Networks (GAN) は近年開発された機械学習手法であり、コンピューター ビジョン、医療画像などの多くの分野で広く採用されています。 特に、条件付きGAN (c-GAN) として知られる手法は、低解像度の入力画像 (条件) から高品質 (現実的に見える)の高解像度画像を生成することに成功しています。 他の CNNアーキテクチャ (U-Net など) では同等のパフォーマンスが得られない場合があります。 ダウンスケーリングでは、c-GANアーキテクチャは 2 つの主要部分で構成されます。1 つは入力 (条件) 値の「低解像度」の気象場から高解像度の気象場を作成することを目的としたジェネレーター、もう 1 つは生成された画像が本物 (グラウンドトゥルース) か偽物 (ジェネレーターによって生成された合成の高解像度画像) を分類するディスクリミネーターです。 GANの目的は、識別子をだまして本物だと信じ込ませることができる、非常に「現実的な」画像を作成するジェネレーターをトレーニングすることです。GAN では、敵対的損失として知られる項が追加され、アルゴリズムの出力に固有の「現実性」制約を加えます。 c-GANは、物理的な一貫性よりも知覚的なリアリズムが優先されます。これは、結果として得られるダウンスケーリング推定値が必ずしも物理法則に準拠しているとは限らないことを意味します。
コメント：Google、Alphabetの子会社であるDeepMind社が開発したNowcastingシステムにも採用されている手法で、従来のU-Netモデルよりも降水分布特性の予測精度が大幅に向上しました。見た目も観測とよく似ており、前線の全体的な特性がよく推定されています。しかし、これも詳細に見ると新たに発生する降水域の推定が難しく、降水帯の移動もズレが生じています。このような高度な手法を使っても、既存の手法（例えば、気象庁のナウキャスティングに用いられているパターンマッチング法：外挿予報）と比較して予測精度が良くならなければ現業で採用しにくく、さらなる手法の改良が必要になるでしょう。また、単に「見た目」ではなく、ダウンスケーリングされた画像が物理的に整合することを示す必要があります。実際の気象現象の特性を把握した上で十分に比較検証を行い、手法の適用限界を明確にすることが重要になります。
https://deepmind.google/discover/blog/nowcasting-the-next-hour-of-rain/
Ravuri, Suman, et al. “Skilful precipitation nowcasting using deep generative models of radar.” Nature 597.7878 (2021): 672-677.