【AI气象4】U-Net based Nowcasting：Machine Learning for Precipitation Nowcasting fromRadar Images

目录

0. 论文基本信息

1. 背景介绍

2. 数据设置

3. 评估&结果

4.未来工作

5.结论

附录

A 相关深度学习工作

---

0. 论文基本信息

1. Paper:https://arxiv.org/pdf/1912.12132.pdf

2. Code:暂无

3. [引用] Agrawal S, Barrington L, Bromberg C, et al. Machine learning for precipitation nowcasting from radar images[J]. arXiv preprint arXiv:1912.12132, 2019.

4. 摘要—高分辨率的短时天气预报对于有效应对气候变化，尤其是极端天气，是一种必不可少的工具。由于深度学习（DL）技术在许多领域，包括地球科学，已经显示出巨大的潜力，因此我们提出了DL在降水现在预测问题上的应用，即高分辨率（1公里×1公里）短期（1小时）降水预测。我们将天气预报视为图像到图像的转换问题，并利用广泛使用的U-Net卷积神经网络的强大能力。与三种常用模型：光流、持续性和NOAA的数值一小时HRRR现在预测相比，我们发现这种方法的性能表现较好。

5. 关键词—Unet、降水短临预报。

6. arXiv (2019)

1. 背景介绍

高分辨率降水短临预测是在高空间分辨率下预测未来降水的问题。这种类型的预测需要以低延迟处理大量数据，这是机器学习非常适合的特性。相反，大多数传统方法要么使用光流（OF）模型[6]，要么使用数值模型。光流模型试图识别物体在一系列图像中的运动方式，但无法表示风暴的产生或衰减的动态过程（这些动态过程可以说是影响使用天气预报的人的决策的主要因素）。数值方法明确模拟了底层大气物理过程，并可以提供可靠的预测，但通常需要数小时来进行推断，这限制了它们在现在预测中的使用能力。

随着气候变化改变了天气模式，极端天气事件的频率增加，提供高空间和时间分辨率的可操作预测变得更加重要。这种预测有助于有效的规划、危机管理和减少人员和财产损失。基于DL的基础设施可以在接收到新数据后的几分钟内提供预测，从而使其完全集成到高度响应的预测服务中，这可能更适合现在预测的需求，而不是传统的数值方法。