Precipitaciones calificadas ahora usando modelos generativos profundos de radar

Área de la Ciencia:

• Meteorología y Ciencias Atmosféricas
• Inteligencia artificial y aprendizaje automático
• Análisis de datos geoespaciales

Sus antecedentes:

• Las previsiones de precipitación (hasta dos horas) son vitales para los sectores dependientes del clima.
• Los métodos actuales basados en radar luchan con eventos no lineales como la iniciación convectiva.
• Los modelos de aprendizaje profundo carecen de restricciones físicas, lo que lleva a pronósticos borrosos y un mal rendimiento en eventos de lluvia intensa.

Objetivo del estudio:

• Desarrollar un modelo generativo profundo para la proyección probabilística de precipitaciones a partir de datos de radar.
• Abordar las limitaciones de los métodos existentes, en particular para eventos raros de lluvia media a intensa y tiempos de entrega más largos.
• Mejorar la calidad, la coherencia y el valor de las previsiones meteorológicas operativas.

Principales métodos:

• Desarrollo de un modelo generativo profundo para la proyección probabilística de las precipitaciones.
• Utilizando datos de radar para predicciones espaciotemporales consistentes de alta resolución.
• Evaluación utilizando medidas estadísticas, económicas y cognitivas, y evaluaciones de meteorólogos expertos.

Principales resultados:

• El modelo generativo produce predicciones realistas y consistentes en grandes regiones (hasta 1.536 km × 1.280 km) y tiempos de entrega (5-90 min).
• Los meteorólogos expertos clasificaron el modelo como el primero en precisión y utilidad en el 89% de los casos frente a dos métodos competidores.
• La verificación cuantitativa muestra pronósticos hábiles sin desenfoque, mejorando el valor de pronóstico y la utilidad operativa.

Conclusiones:

• Los modelos generativos profundos ofrecen un enfoque prometedor para el pronóstico de precipitación preciso y valioso.
• El modelo propuesto supera las limitaciones de los métodos existentes, especialmente para eventos climáticos extremos.
• La generación de pronósticos actuales mejora la toma de decisiones operativas al proporcionar pronósticos confiables, de alta resolución y probabilísticos.