Une prévision précise des précipitations est une technique essentielle pour atténuer les dommages causés par les inondations. Les prévisions météorologiques modernes utilisent des méthodes de prévision numérique basées sur des lois physiques, mais il existe des limitations dues aux contraintes de ressources de calcul pour améliorer la précision des prévisions de précipitations. Cette recherche vise à développer des techniques avancées en utilisant des méthodes d'apprentissage profond pour réaliser des prévisions de précipitations plus précises que les méthodes de prévision numérique conventionnelles. Concrètement, nous avons réalisé deux expériences en utilisant le modèle d'apprentissage profond Swin-Unet avec les valeurs analytiques du modèle de prévision numérique à méso-échelle (MSM) de l'Agence météorologique du Japon, l'une pour prédire les valeurs de prévision de précipitations du MSM et l'autre pour la pluie analysée. Les résultats ont montré que le modèle MSM permettait d'inférer avec précision les zones de précipitations. De plus, pour l'inférence de la pluie analysée, le modèle a montré une meilleure précision de prévision que le MSM, comme en témoigne un RMSE inférieur et de meilleurs seuils pour le taux de capture, le taux d'alarme fausse et le score de menace.
Miyazawa et al. (Jeudi) ont étudié cette question.