Melhorando a Previsão Imediata de Precipitação Convectiva Intensa pela Incorporação de Variáveis de Radar de Polarização Dupla em Redes Adversariais Generativas

A previsão imediata de precipitação convectiva forte é altamente demandada e apresenta desafios significativos, pois oferece serviços meteorológicos a diversos setores socioeconômicos para prevenir que eventos climáticos catastróficos acompanhados por precipitação convectiva forte causem perdas econômicas substanciais e vítimas humanas. Com o acúmulo de dados de radar de polarização dupla, modelos de aprendizado profundo baseados em dados têm sido amplamente aplicados na previsão imediata de precipitação. Modelos de aprendizado profundo apresentam certas limitações na abordagem de previsão imediata: o método evolutivo é propenso a acumular erros ao longo do processo iterativo (onde múltiplos modelos autorregressivos geram campos futuros de movimento e resíduos de intensidade e depois iteram implicitamente para produzir previsões), e o problema de "regressão à média" do modelo autorregressivo leva ao fenômeno de "borramento". O gerador do método evolutivo é um modelo em duas etapas: na etapa inicial, o gerador emprega o método evolutivo para gerar os dados provisórios previstos; na etapa subsequente, o gerador reprocessa os dados provisórios previstos. Embora o gerador do método evolutivo seja uma rede adversarial generativa, a estratégia adversarial adotada por este modelo ignora a importância dos dados temporários de previsão. Portanto, este estudo propõe uma Rede Autoregressiva Adversarial (AANet): Primeiramente, os dados previstos são gerados por geradores em duas etapas (onde FURENet produz diretamente os dados provisórios previstos, e o Modelo de Síntese Semântica reprocessa os dados provisórios previstos); Subsequentemente, a perda de similaridade estrutural (perda SSIM) é utilizada para mitigar a influência do problema de "regressão à média"; Finalmente, a estratégia adversarial em duas etapas (Tadv) é adotada para auxiliar os geradores em duas etapas a produzir dados gerados mais realistas e altamente similares. Foi experimentalmente verificado que o AANet supera o NowcastNet na previsão imediata da próxima hora, com uma redução de 0,0763 no erro normalizado (NE), 0,377 no erro quadrático médio (RMSE) e 4,2% na taxa de alarmes falsos (FAR), além de um aumento de 1,45 na razão sinal-ruído de pico (PSNR), 0,0208 no SSIM, 5,78% no índice de sucesso crítico (CSI), 6,25% na probabilidade de detecção (POD) e 5,7% no F1.