Resumen

Las lluvias torrenciales de corta duracin son un tipo de precipitacin fuerte y repentina que amenaza seriamente la vida de las personas y la seguridad de las propiedades. Una prediccin precisa de las precipitaciones es de gran importancia para que el gobierno pueda tomar a tiempo decisiones de prevencin y mitigacin de catstrofes. Con el fin de realizar previsiones de alta resolucin de las precipitaciones regionales, este artculo propone un modelo convolucional 3D GRU (Conv3D-GRU) para predecir la intensidad futura de las precipitaciones en un periodo de tiempo relativamente corto desde la perspectiva del aprendizaje automtico. En primer lugar, las caractersticas espaciales de los mapas de ecos de radar con diferentes alturas se extraen mediante convolucin 3D y, a continuacin, los mapas de ecos de radar en series temporales se codifican y descodifican mediante GRU. Por ltimo, el modelo entrenado se utiliza para predecir los mapas de ecos de radar en las 1-2 horas siguientes. Los resultados experimentales muestran que el algoritmo puede extraer eficazmente las caractersticas temporales y espaciales de los mapas de ecos de radar, reducir el error entre el valor previsto y el valor real de las precipitaciones y mejorar la precisin de la prediccin de precipitaciones a corto plazo.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Precipitaciones; Predicción; Conv3D-GRU; Mapas de ecos de radar; Aprendizaje automático; Corto plazo;
• Keywords:Rainfall; Prediction; Conv3D-GRU; Radar echo maps; Machine learning; Short-term;