.png){kind=icon}
返回
Object-based deep learning for probabilistic convective-core nowcasting from satellite data
.png){kind=icon}
OA
AI
DOI：10.1002/qj.70303.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
强降雨引发的洪水造成非洲重大损失和生命伤亡，特别是在萨赫勒地区，该地区的降雨主要由中尺度对流系统主导。对流核心代表强烈对流活动的区域，其演变迅速，限制了短期可预测性，尤其是在数据稀疏区域，数值天气预报模型在对流启动、演化和组织方面面临重大不确定性。本研究提出了一种基于对象的深度学习框架，利用地球静止卫星数据进行概率对流核心临近预报。对流核心通过在 mesoscale 空间尺度上应用二维小波变换，从 Meteosat Second Generation 红外图像中识别。该框架首先在单一地点进行演示，利用附近核心属性预测未来六小时内本地核心的发生。可解释人工智能分析表明，预测由与核心距离、大小和强度相关的物理意义因素驱动。随后，该方法通过核心感知时空Transformer进行临近预报（NCAST）扩展至西萨赫勒地区，该时空Transformer架构模拟对流核心群体的演化和相互作用，并生成网格化的概率临近预报。消融实验表明，自注意力机制对预报技巧贡献最大，而时间信息在更长预报时效中变得愈发重要。与持续性预报和操作条件气候基准的比较评估表明，使用多种概率和空间验证指标，在1小时、3小时和6小时预报时效上均显示出预报技巧。这些结果突显了基于对象学习方法在数据稀疏环境中提供可靠短时临近预报的潜力。
Keyword:
convective storms
deep learning
nowcasting
object-based methods
probabilistic forecasting
satellite observations
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
Mid-latitude versus tropical scales of predictability and their implications for forecasting中纬度与热带的可预报性尺度及其对预报的启示.png)
IF0
PREAI
分享收藏
分享收藏
查看更多内容