GPM 集成多卫星检索的全球降水临近预报：一种 U-Net 卷积 LSTM 架构
机器学习
2024-02-06 v2 计算机视觉与模式识别
大气与海洋物理
摘要
本文提出一种深度学习架构，用于几乎全球范围每 30 分钟、提前 4 小时预报降水。该架构融合了 U-Net 与卷积长短期记忆（LSTM）神经网络，并使用来自 GPM 集成多卫星检索（IMERG）的数据以及来自全球预报系统（GFS）的若干关键降水驱动因子进行训练。研究了不同训练损失函数（包括均方误差（回归）和 focal-loss（分类））对降水临近预报质量的影响。结果表明，回归网络在捕捉弱降水（低于 1.6 mm/hr）方面表现良好，但就临界成功指数（CSI）而言，分类网络在极端降水（>8 mm/hr）的临近预报上优于回归网络。利用 Wasserstein 距离表明，分类网络预测的降水其类别概率分布比回归网络更接近 IMERG。研究发现，加入物理变量可改善降水临近预报，尤其在两个网络的更长提前期上。以 IMERG 为相对参考，按分数技巧评分（FSS）进行的多尺度分析显示，与 GFS 的 50 km 相比，该临近预报机器在 10 km 分辨率上仍具技巧（FSS > 0.5）。对于大于 4 mm/hr 的降水率，仅分类网络在 2 小时提前期内于大于 50 km 的尺度上保持 FSS 技巧。
引用
@article{arxiv.2307.10843,
title = {Global Precipitation Nowcasting of Integrated Multi-satellitE Retrievals for GPM: A U-Net Convolutional LSTM Architecture},
author = {Reyhaneh Rahimi and Praveen Ravirathinam and Ardeshir Ebtehaj and Ali Behrangi and Jackson Tan and Vipin Kumar},
journal= {arXiv preprint arXiv:2307.10843},
year = {2024}
}