基于数据的区域尺度降雨预测：加纳案例研究
机器学习
2025-07-18 v3
摘要
随着气候变暖，热带地区预计将经历更剧烈和更不稳定的降雨事件。当前，领先的数值天气预报（NWP）模型已知在非洲热带地区难以产生有技巧的降雨预测。因此，迫切需要改进这些地区的降雨预测。过去十年间，大规模气象数据集的可用性增加以及强大机器学习模型的发展，为数据驱动的天气预测开辟了新的机遇。本研究聚焦于加纳，使用这些工具开发两个 U-Net 卷积神经网络（CNN）模型，用于预测 24 小时降雨的 12 小时和 30 小时预报时间。模型使用来自 ERA5 再分析数据集和 GPM-IMERG 数据集进行训练。特别关注可解释性。我们开发了一种新颖的统计方法，允许探讨模型输入中气象变量的相对重要性，为了解驱动加纳地区降水的因素提供了有用见解。经验上，我们发现我们的 12 小时预报时间模型在性能上与 ECMWF（如在 TIGGE 数据集中提供的 18 小时预报时间模型）相当，且在某些方面表现更好。我们还发现，将数据驱动模型与经典 NWP 结合可进一步提高预测准确性。
引用
@article{arxiv.2410.14062,
title = {Data-driven rainfall prediction at a regional scale: a case study with Ghana},
author = {Indrajit Kalita and Lucia Vilallonga and Yves Atchade},
journal= {arXiv preprint arXiv:2410.14062},
year = {2025}
}