Advancing very short-term rainfall prediction with blended U-Net and partial differential approaches
Notice bibliographique
Résumé
Accurate and timely prediction of short-term rainfall is crucial for reducing the damages caused by heavy rainfall events. Therefore, various precipitation nowcasting models have been proposed. However, the performance of these models still remains limited. In particular, the current operational precipitation nowcasting method, which is based on radar echo tracking, such as the McGill Algorithm for Precipitation Nowcasting by Lagrangian Extrapolation (MAPLE), has a critical drawback when predicting newly developed or decayed precipitation fields. Recently proposed deep learning models, such as the U-Net convolutional neural network outperform the models based on radar echo tracking. However, these models are unsuitable for operational precipitation nowcasting due to their blurry predictions over longer lead times. To address these blurry effects and enhance the performance of U-Net-based rainfall prediction, we propose a blended model that combines a partial differential equation (PDE) model based on fluid dynamics with the U-Net model. The evaluation of the forecast skill, based on both qualitative and quantitative methods for 0–3-h lead times, demonstrates that the blended model provides less blurry and more accurate rainfall predictions compared with the U-Net and partial differential equation models. This indicates the potential to enhance the field of very short-term rainfall prediction. Additionally, we also evaluated the monthly-averaged forecast skills for different seasons, and confirmed the operational feasibility of the blended model, which contributes to the performance enhancement of operational nowcasting.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».