.png){kind=icon}
返回
Nowcasting convective cores using deep learning
.png){kind=icon}
OA
AI
DOI：10.1002/qj.70284.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
热带地区的极端降水事件通常与对流风暴相关。用于早期预警的风暴临近预报系统已被认为是适应快速变化气候、增强公众韧性的一种必要策略。深度学习技术的持续进步现在使得更好地利用卫星数据成为可能，包括在地面雷达网络和计算资源有限的情况下。本研究提出了一种易于复现的模型（对流核心临近预报网络，NetNCC），用于在精细空间分辨率（约3公里）下近实时地临近预报对流核心。NetNCC利用三代气象卫星的热红外亮温图像在三个连续时间步长预测1至6小时内对流核心的概率。一种空间增强的损失函数（分数技巧评分）捕获每个像素邻域的大气条件。在精细空间分辨率（<30公里）下，对于短预报时效（<2小时），以及在较粗糙分辨率（180–270公里）下对于预报时效≥4小时，均实现了技巧性的概率预测。临近预报的准确性表现出明显的日变化周期，在东非和南非对流频率达到最大值时的白天，准确性更高。NetNCC在预报东非发展期较短的对流核心方面表现优于嵌入在典型长寿西非对流中的核心。与持续性预报相比，NetNCC的临近预报在精细空间尺度上明显更好。进一步输入有关大气和地表状态的信息，以及热红外图像，可能需要用于改进更长（≥4小时）预报时效的预测。尽管如此，我们的结果表明，NetNCC在对流活动（因此是强降雨）的临近预报方面具有巨大潜力，并说明了其对预报员进行业务应用的实用性。
Keyword:
Africa
convective cloud cores
deep learning
nowcasting
U-Nets
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
5.8K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
Wind Shear Effects in Convection–Permitting Models Influence MCS Rainfall and Forcing of Tropical Circulation对流允许模式中的风切变效应对对流系统降水和热带环流强迫的影响OAAI
OAAI分享收藏
查看更多内容