Predicción a Corto Plazo del Retraso Cénital Húmedo Troposférico Basada en TimesNet

Área de la Ciencia:

• Geodesia y Ciencia Atmosférica
• Predicción Meteorológica
• Aplicaciones de Aprendizaje Automático en Geociencias

Sus antecedentes:

• El retraso cénital húmedo troposférico (ZWD) es vital para la inversión de vapor de agua atmosférico y la predicción de lluvias a corto plazo.
• Los modelos tradicionales de predicción de ZWD enfrentan limitaciones para manejar la no estacionariedad y la extracción de características locales.
• La predicción precisa de ZWD es esencial para mejorar la precisión de la predicción meteorológica.

Objetivo del estudio:

• Desarrollar y evaluar un método novedoso de predicción de ZWD utilizando el módulo de descomposición temporal dinámica de TimesNet.
• Mejorar la precisión y adaptabilidad de las predicciones de ZWD reconstruyendo datos de series temporales en tensores.
• Evaluar el rendimiento de TimesNet frente a modelos convencionales (CNN-ATT, Informer) considerando diversos factores ambientales.

Principales métodos:

• Reconstrucción de series temporales 1D de ZWD en tensores 2D utilizando TimesNet.
• Integración de factores topográficos, climáticos y estacionales en el modelo de predicción.
• Análisis comparativo de TimesNet con CNN-ATT e Informer utilizando datos de ZWD de 30 segundos de 20 estaciones IGS en diferentes estaciones.

Principales resultados:

• TimesNet logró un Error Cuadrático Medio (RMSE) estacional promedio de 5,73 mm, superando a Informer (7,89 mm) y CNN-ATT (10,02 mm).
• El modelo demostró una adaptabilidad estacional y robustez topográfica superiores, manteniendo una alta precisión en entornos desafiantes.
• Se logró una precisión inferior a 5 mm en condiciones meteorológicas estables, lo que resalta la fiabilidad de TimesNet.

Conclusiones:

• TimesNet ofrece una base algorítmica fiable para aplicaciones meteorológicas en tiempo real, especialmente la predicción de precipitación a corto plazo.
• El enfoque de descomposición temporal dinámica aborda eficazmente la no estacionariedad de los datos de ZWD.
• Este método mejora el potencial de la meteorología de Sistemas Globales de Navegación por Satélite (GNSS) para una mejor predicción del tiempo.