面向降水临近预报的时空融合方法
机器学习
2025-08-28 v2 信号处理
摘要
随着来自各种传感器、数值模型和再分析产品的气象数据日益增多，高效数据融合方法的需求对于改善天气预报和水文气象研究变得至关重要。在本工作中，我们提出了一种用于降水临近预报的数据融合方法，将里约热内卢大都会区气象站和雨量站的数据与 ERA5 再分析数据及 GFS 数值天气预报相融合。我们采用名为 STConvS2S 的时空深度学习架构，利用覆盖 9 x 11 网格的结构化数据集。该研究的时间跨度从 2011 年 1 月至 2024 年 10 月，我们评估了整合三个地面站系统的影响。在测试的配置中，基于融合的模型在 1 小时提前量下预报强降水事件（大于 25 mm/h）的 F1-score 达到 0.2033。此外，我们提出了一项消融研究以评估各站网的贡献，并提出了一种用于降水临近预报的精细化推理策略，将 GFS 数值天气预报（NWP）数据与现场观测相融合。
引用
@article{arxiv.2505.19258,
title = {Towards a Spatiotemporal Fusion Approach to Precipitation Nowcasting},
author = {Felipe Curcio and Pedro Castro and Augusto Fonseca and Rafaela Castro and Raquel Franco and Eduardo Ogasawara and Victor Stepanenko and Fabio Porto and Mariza Ferro and Eduardo Bezerra},
journal= {arXiv preprint arXiv:2505.19258},
year = {2025}
}
备注
Accepted manuscript submitted to FUSION 2025 (https://fusion2025.org/)