An individual motion driven CNN-Based AI method for precipitation forecasting Using RADAR Image Sequence
Notice bibliographique
Résumé
Precipitation forecasting, especially with high spatial resolution and accurate intensity estimation, remains a critical challenge in the field of Artificial Intelligence (AI). Existing AI-based forecasting models often struggle with key limitations, including mismatched precipitation motion patterns, blurred precipitation field generation, and inaccurate intensity predictions. These issues largely arise from conventional models simulating average motion and neglecting individual motion—which refers to the unique speed, trajectory, and direction of a single precipitation event. To address these limitations, we propose an Individual Motion Driven AI (IMD-AI) method based on a Convolutional Neural Network (CNN). This approach incorporates motion alignment and pattern grouping techniques to correct mismatches in individual motion estimation, thereby enabling more accurate and intact regional precipitation forecasting. Our CNN architecture is designed to extract spatial features from RADAR image sequences and map them directly to real-world parameters such as precipitation intensity, humidity, wind speed, and atmospheric pressure. Furthermore, to enhance precision and sharpness, we integrate strategies like patch embedding, schedule sampling, and adversarial training under the SPA framework. These additions mitigate the tendency of AI models to filter out high-frequency details, improving the model’s ability to preserve fine-scale patterns in precipitation fields. The final system is deployed through a web-based application, allowing users to upload RADAR images and instantly receive multiple weather parameter predictions with high reliability and accuracy.
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 | 0,004 | 0,001 |
| 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 | 0,000 |
| 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 ».