TISE-LSTM: Ein LSTM-Modell zur Niederschlagsvorhersage mit zeitlichen Interaktionen und räumlichen Extraktionsblöcken

Die Niederschlagsvorhersage hat einen tiefgreifenden Einfluss auf die Menschheit und Gesellschaft, insbesondere in Gebieten mit starken Regenfällen, und spielt eine zentrale Rolle bei der Warnung vor Regensturmunfällen. Derzeit wurden zahlreiche Deep-Learning-basierte Methoden vorgeschlagen, die sich als überlegen gegenüber traditionellen Radarecho-Extrapolationstechniken wie den Recurrent Neural Networks (RNNs) erwiesen haben. Unsere Studie stellt ein neuartiges Niederschlagsvorhersagemodell namens TISE-LSTM vor, das das reale Bild der letzten halben Stunde verwenden kann, um das Radarecho-Bild der nächsten Stunde vorherzusagen. Durch die Integration der TIB und SEB in TISL-LSTM können wir das inhärente Problem bestehender Modelle lindern, nämlich den Rückgang der Vorhersagegenauigkeit für Regionen mit hohem Radarecho bei längerer Extrapolationszeit. Auf den realen Radarecho-Datensätzen CIKM23017 und AHEM verbessert sich die Leistung von TISL-LSTM (einschließlich POD, FAR, CSI und HSS) im Vergleich zum zweitplatzierten Modell um 7,53 %, 2,32 %, 8,93 %, 2,6 % bzw. 14,84 %, 6,18 %, 8,92 %, 18,12 %, wenn der Niederschlagsschwellenwert auf 40 gesetzt wird. Zudem erzielte unser Modell optimale MAE-, MSE- und SSIM-Werte. Die vorhergesagten Bilder sowie die Grafiken zu jedem Metrikwert über die Extrapolationszeit zeigen beide, dass unser Modell selbst bei einer stündlichen Extrapolation Regionen mit hohem Radarecho präzise vorhersagt.