Verbesserung des Nowcastings von intensiven konvektiven Niederschlägen durch Einbeziehung von Dual-Polarisationsradarvariablen in generative gegnerische Netzwerke

Das Nowcasting starker konvektiver Niederschläge ist sehr gefragt und stellt erhebliche Herausforderungen dar, da es meteorologische Dienste für verschiedene sozioökonomische Bereiche bereitstellt, um katastrophale Wetterereignisse mit starken konvektiven Niederschlägen abzuwenden, die erhebliche wirtschaftliche Verluste und menschliche Opfer verursachen können. Mit der Akkumulation von Dual-Polarisationsradardaten werden datengestützte Deep-Learning-Modelle häufig im Nowcasting von Niederschlag eingesetzt. Deep-Learning-Modelle zeigen gewisse Einschränkungen im Nowcasting-Ansatz: Die Evolutionsmethode neigt dazu, Fehler im iterativen Prozess zu akkumulieren (wobei mehrere autoregressive Modelle zukünftige Bewegungsfelder und Intensitätsresiduale erzeugen und dann implizit iterieren, um Vorhersagen zu liefern), und das "Regressions-zu-Mittelwert"-Problem autoregressiver Modelle führt zum "Verwischungseffekt". Der Generator der Evolutionsmethode ist ein zweistufiges Modell: Im ersten Schritt verwendet der Generator die Evolutionsmethode, um vorläufige prognostizierte Daten zu erzeugen; im nächsten Schritt verarbeitet der Generator diese vorläufigen Daten erneut. Obwohl der Generator der Evolutionsmethode ein generatives gegnerisches Netzwerk ist, ignoriert die von diesem Modell verwendete adversarielle Strategie die Bedeutung der temporären Vorhersagedaten. Daher schlägt diese Studie ein Adversariales Autoregressives Netzwerk (AANet) vor: Zunächst werden die prognostizierten Daten durch die zweistufigen Generatoren erzeugt (wobei FURENet direkt die vorläufigen prognostizierten Daten liefert und das Semantische Synthesemodell diese vorläufigen Daten erneut verarbeitet); anschließend wird der strukturelle Ähnlichkeitsverlust (SSIM-Verlust) verwendet, um die Auswirkungen des "Regressions-zu-Mittelwert"-Problems zu mindern; schließlich wird die zweistufige adversarielle (Tadv) Strategie angewandt, um die zweistufigen Generatoren bei der Erzeugung realistischerer und hochgradig ähnlicher generierter Daten zu unterstützen. Experimentell wurde bestätigt, dass AANet NowcastNet im Nowcasting der nächsten 1 Stunde übertrifft, mit einer Verringerung von 0,0763 im normalisierten Fehler (NE), 0,377 im quadratischen Mittelwertfehler (RMSE) und 4,2 % in der Fehlalarmrate (FAR) sowie einer Steigerung von 1,45 im Signal-Rausch-Verhältnis (PSNR), 0,0208 im SSIM, 5,78 % im Critical Success Index (CSI), 6,25 % in der Trefferwahrscheinlichkeit (POD) und 5,7 % im F1-Wert.