Video Experimental Relacionado
Updated: Mar 2, 2026

Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
Un conjunto de datos para modelos de aprendizaje automático para la detección de iniciación convectiva y la
Yujia Liu1, Anyuan Xiong2, Na Liu1
1National Meteorological Information Center, CMA, Beijing, China.
Este estudio presenta el Conjunto de Datos de Iniciación Convectiva (CIDS) para modelos de inteligencia artificial (IA) para mejorar la predicción de fenómenos meteorológicos extremos. El CIDS ayuda a identificar y predecir eventos de iniciación convectiva (CI) con alta precisión.
Área de la Ciencia:
- Meteorología y Ciencias Atmosféricas
- Inteligencia Artificial en la Predicción Meteorológica
- Teledetección para Fenómenos Meteorológicos Extremos
Sus antecedentes:
- La identificación y pronóstico efectivos de la Iniciación Convectiva (CI) son fundamentales para los sistemas de alerta temprana de fenómenos meteorológicos convectivos severos.
- La inteligencia artificial (IA) presenta una vía prometedora para mejorar las capacidades de pronóstico y alerta de CI.
Objetivo del estudio:
- Presentar el Conjunto de Datos de Iniciación Convectiva (CIDS), un conjunto de datos novedoso diseñado específicamente para que los modelos de IA identifiquen y pronostiquen CI.
- Proporcionar datos de características completos y etiquetas para eventos meteorológicos convectivos intensos en el sureste de China.
Principales métodos:
- El conjunto de datos CIDS se compiló utilizando productos de mosaico de radar y datos de radiancia satelital FY-4A de 2018 a 2023.
- Se desarrolló un algoritmo que utiliza factores de reflectividad de compuestos de radar para identificar células de tormenta incipientes y asignar etiquetas de categoría de CI según la evolución de 30 minutos.
- Los datos incluyen 10 productos de mosaico de radar y radiancia satelital en nueve bandas espectrales a intervalos de 10 minutos.
Principales resultados:
- El conjunto de datos CIDS contiene 136,728 muestras, identificando más de 4.1 millones de CI, con casi 1.8 millones clasificados como CI en desarrollo.
- El conjunto de datos captura precipitaciones intensas de corta duración, vientos de tormenta eléctrica y eventos de granizo, ofreciendo información espacial y temporal detallada.
Conclusiones:
- El conjunto de datos CIDS proporciona un recurso valioso para entrenar modelos de IA para mejorar la precisión y la puntualidad del pronóstico de iniciación convectiva.
- Este conjunto de datos facilita los avances en los sistemas de alerta temprana para fenómenos meteorológicos convectivos severos, aprovechando la IA y los datos meteorológicos de múltiples fuentes.
Videos de Conceptos Relacionados
Precipitation and Co-precipitation
Precipitation Processes
Precipitation Gravimetry
In determining nickel by gravimetric analysis, a precipitant of ethanolic dimethylglyoxime is added to a hot nickel salt solution. This is quickly followed by the dropwise addition of dilute ammonia solution until precipitation occurs. A...
Precipitation Titration: Endpoint Detection Methods
In the Volhard method, a standard excess of AgNO3 is first added to the...
Boundary Layer Characteristics
Prediction Intervals
However, the point estimate is most likely not the exact value of the population parameter, but close to it. After calculating point estimates, we construct interval estimates, called confidence intervals or prediction intervals. This prediction interval comprises a range of values unlike the point estimate and is a better predictor of the observed sample value, y.
