Mejora de la predicción de precipitación a corto plazo multiescala a través del análisis del dominio de frecuencia y...

Área de la Ciencia:

• Meteorología y Ciencias Atmosféricas; Inteligencia Artificial y Aprendizaje Automático; Ciencia y Análisis de Datos

Sus antecedentes:

• Los modelos existentes basados en datos tienen dificultades con los eventos de precipitación de corta duración, careciendo de características multiescala y predicción de intensidad precisa.; La mejora de la precisión del pronóstico a menudo exige importantes recursos computacionales, lo que plantea un desafío práctico.

Objetivo del estudio:

• Desarrollar un modelo novedoso de pronóstico de precipitación a corto plazo que aborde las limitaciones de los enfoques existentes basados en datos.; Cuantificar las características de distribución de precipitación multiescala en el dominio de la frecuencia.; Permitir la predicción rápida y precisa de las distribuciones de precipitación horaria en un horizonte de 0 a 24 horas.

Principales métodos:

• Integración de un mecanismo de atención multiescala transcanal (EMA) con la arquitectura híbrida TransUNet.; Cuantificación de las características de distribución de precipitación multiescala en el dominio de la frecuencia utilizando la transformada de wavelet.; Desarrollo de un modelo novedoso de pronóstico de precipitación a corto plazo con parámetros reducidos.

Principales resultados:

• WE_TransUNet logró un rendimiento óptimo de pronóstico, superando a cuatro modelos comunes de aprendizaje profundo.; La puntuación media de amenaza (TS) mejoró un 12% a 0,447, con una raíz cuadrática media (RMSE) media de 0,281.; El módulo EMA demostró una capacidad superior para capturar relaciones de series temporales no lineales en todas las escalas en comparación con los módulos CBAM convencionales.

Conclusiones:

• El modelo propuesto extrae eficazmente información multiescala de datos históricos de precipitación con menos parámetros, mitigando la ambigüedad del modelo de aprendizaje profundo.; La transformada de wavelet ayuda a preservar los fenómenos de convección severa localizados y de alta frecuencia en los pronósticos.; Este enfoque ofrece una estrategia de optimización novedosa para el pronóstico de precipitación a corto plazo, mejorando la precisión y la eficiencia.