Mejorando la Predicción de Precipitaciones a través de la Fusión Temprana y la Predicción Espaciotemporal: Un Estudio de Caso Usando el Modelo MultiPred
Autores: Wang, Bin; Tian, Jin; Fang, Zhijun; Jiang, Xiaoyan
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Complejidad
Incertidumbre
Pronóstico de precipitación
Modelo MultiPred
Fusión multimodal
Modelo de predicción espaciotemporal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Debido a la complejidad y la incertidumbre de los sistemas meteorológicos, los métodos tradicionales de pronóstico de precipitación tienen ciertas limitaciones. Por lo tanto, basado en las características comunes de los datos meteorológicos, se propone un modelo de pronóstico de precipitación llamado MultiPred, con el objetivo de predecir continuamente la precipitación durante 4 horas en una región específica. Este modelo combina el método de fusión multimodal con modelos de predicción espaciotemporales recursivos. El proceso de entrenamiento y prueba del modelo implica, en términos generales, el uso de redes de extracción de características espaciales y redes de extracción de características temporales para generar predicciones preliminares para datos multimodales. Posteriormente, se emplea una capa de fusión modal para extraer y fusionar aún más las características espaciales de las predicciones preliminares del paso anterior, produciendo los valores de precipitación pronosticados para el área objetivo. Se realizaron pruebas experimentales y entrenamiento utilizando datos multimodales meteorológicos de ERA5 y datos de precipitación del satélite GPM desde 2017 hasta 2020, abarcando longitudes de 110 grados a 122 grados y latitudes de 20 grados a 32 grados. El conjunto de entrenamiento utilizó datos de los primeros tres años, mientras que el conjunto de validación y el conjunto de prueba comprendieron cada uno el 50% de los datos del cuarto año. La tasa de aprendizaje inicial para el experimento se estableció en 1 x 10, y el entrenamiento se realizó durante 1000 épocas. Además, el proceso de entrenamiento utilizó una función de pérdida compuesta por el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) y el Índice de Similitud Estructural (SSIM). El modelo fue evaluado utilizando el Índice de Éxito Crítico (CSI), la Probabilidad de Detección (POD) y el Puntaje de Habilidad de Heidke (HSS). Los resultados experimentales demuestran que MultiPred sobresale en el pronóstico de precipitación, particularmente para eventos de precipitación ligera con cantidades mayores o iguales a 0.1 mm y menores a 2 mm. Logra un rendimiento óptimo tanto en tareas de pronóstico de precipitación ligera como pesada.
Descripción
Debido a la complejidad y la incertidumbre de los sistemas meteorológicos, los métodos tradicionales de pronóstico de precipitación tienen ciertas limitaciones. Por lo tanto, basado en las características comunes de los datos meteorológicos, se propone un modelo de pronóstico de precipitación llamado MultiPred, con el objetivo de predecir continuamente la precipitación durante 4 horas en una región específica. Este modelo combina el método de fusión multimodal con modelos de predicción espaciotemporales recursivos. El proceso de entrenamiento y prueba del modelo implica, en términos generales, el uso de redes de extracción de características espaciales y redes de extracción de características temporales para generar predicciones preliminares para datos multimodales. Posteriormente, se emplea una capa de fusión modal para extraer y fusionar aún más las características espaciales de las predicciones preliminares del paso anterior, produciendo los valores de precipitación pronosticados para el área objetivo. Se realizaron pruebas experimentales y entrenamiento utilizando datos multimodales meteorológicos de ERA5 y datos de precipitación del satélite GPM desde 2017 hasta 2020, abarcando longitudes de 110 grados a 122 grados y latitudes de 20 grados a 32 grados. El conjunto de entrenamiento utilizó datos de los primeros tres años, mientras que el conjunto de validación y el conjunto de prueba comprendieron cada uno el 50% de los datos del cuarto año. La tasa de aprendizaje inicial para el experimento se estableció en 1 x 10, y el entrenamiento se realizó durante 1000 épocas. Además, el proceso de entrenamiento utilizó una función de pérdida compuesta por el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) y el Índice de Similitud Estructural (SSIM). El modelo fue evaluado utilizando el Índice de Éxito Crítico (CSI), la Probabilidad de Detección (POD) y el Puntaje de Habilidad de Heidke (HSS). Los resultados experimentales demuestran que MultiPred sobresale en el pronóstico de precipitación, particularmente para eventos de precipitación ligera con cantidades mayores o iguales a 0.1 mm y menores a 2 mm. Logra un rendimiento óptimo tanto en tareas de pronóstico de precipitación ligera como pesada.