Very Short-Term Rainfall Prediction Using Ground Radar Observations and Conditional Generative Adversarial Networks
Notice bibliographique
Résumé
Weather radars play an important role inin siturainfall monitoring owing to their ability to measure instantaneous rain rates and rainfall distributions. Currently, the Korea Meteorological Administration (KMA) provides instantaneous radar observation data and predictions based on the McGill algorithm for precipitation nowcasting by Lagrangian extrapolation (MAPLE) for up to 6 h, for short-term forecasting. This study presents a conditional generative adversarial network (CGAN)-based radar rainfall prediction method for very short-range weather forecasts from 10 min to 4 h. The CGAN-predicted model was trained and tested using KMA’s constant altitude plan position indicator (CAPPI) observation data. The qualitative comparison between the radar observation and the CGAN-predicted rain rates displayed high statistical scores, such as the probability of detection (POD) = 0.8442, false alarm ratio (FAR) = 0.2913, and critical success index (CSI) = 0.6268, in the case of a 1-h prediction for rainfall on September 5, 2019, 15:20 KST. This study demonstrates the capability of the CGAN model for short-term rainfall forecasting. Consequently, the CGAN-generated radar-based rainfall prediction could complement the KMA MAPLE system and be useful in various forecasting applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».