Predicción de lluvia extrema mediante el aprendizaje automático guiado por la física del problema
Un estudio muestra que al aprender la relación entre las características físicas anómalas y las precipitaciones intensas, mejoró significativamente la intensidad de los pronósticos de precipitación.
![](https://services.meteored.com/img/article/lluvia-extrema-mediante-el-aprendizaje-automatico-1724679673151_1024.jpeg)
Un equipo de investigación se centró en el fenómeno de lluvias extremas del "21-7" en Henan en 2021. Al analizar las características físicas anómalas y comprender los sesgos de pronóstico de múltiples modelos, mejoraron significativamente la precisión de los pronósticos de intensidad de las precipitaciones. Esta mejora se logró incorporando métricas de optimización y restricciones más adecuadas a las características físicas y de datos de las precipitaciones en la función de pérdida de la red neuronal.
En concreto, al utilizar la media TS multiumbral no diferenciable como función de pérdida y BIAS como restricción, el equipo de investigación optimizó los parámetros del modelo utilizando un algoritmo evolutivo inmune de optimización multiobjetivo. Este enfoque logró resultados significativos tanto en la corrección continua casi en tiempo real del pronóstico del evento de lluvia extrema "21·7" como en la corrección basada en secuencias de precipitación históricas a largo plazo.
El modelo, al aprender la relación entre las características físicas anómalas y las precipitaciones intensas, mejoró significativamente la intensidad de los pronósticos de precipitación.
Sin embargo, ajustar la distribución de las precipitaciones resultó complicado y a menudo dio lugar a importantes falsas alarmas. Esto se debe a la información a gran escala contenida en la circulación anómala estable y las características físicas durante los eventos de lluvia extrema, lo que coincide con los sesgos de precipitación del modelo, junto con la escasez de muestras de lluvia extrema, lo que lleva al uso de algoritmos con menor complejidad.
![](https://services.meteored.com/img/article/lluvia-extrema-mediante-el-aprendizaje-automatico-1724679688795_1024.jpg)
Al emplear el aprendizaje automático para integrar múltiples pronósticos de precipitaciones, existe el potencial de extraer las ventajas de las estructuras detalladas en cada pronóstico, mejorando así significativamente la precisión de los pronósticos de distribución de precipitaciones. Sin embargo, la mejora en la intensidad de las precipitaciones sigue siendo limitada. La integración de pronósticos multimodelo "buenos y diferentes" con características anómalas apropiadas puede lograr un ajuste integral tanto de la distribución como de la intensidad de las precipitaciones.
Las futuras investigaciones deberían centrarse en cómo aprovechar al máximo las observaciones de múltiples fuentes provenientes de satélites, radares y otros instrumentos para comprender las características de sesgo y las causas físicas de los pronósticos de precipitación de múltiples modelos. Vale la pena explorar la introducción de características de múltiples modelos de mayor dimensión y características físicas anómalas estrechamente relacionadas con las precipitaciones intensas.
El desarrollo de modelos de red que representen de manera integral la información de múltiples modelos y las características anómalas, logrando así una integración profunda de las tecnologías físicas e inteligentes, es una dirección crucial para mejorar el pronóstico de precipitaciones intensas en el futuro.
El artículo se publicó en la revista Science China Earth Sciences. Este estudio fue dirigido por el profesor Qi Zhong y el profesor Xiuping Yao del Centro de Capacitación de la Administración Meteorológica de China, y el ingeniero asistente Zhicha Zhang del Observatorio Meteorológico de Zhejiang, junto con otros miembros del equipo de investigación.
Referencia
Qi Zhong et al, Improved forecasting via physics-guided machine learning as exemplified using "21·7" extreme rainfall event in Henan, Science China Earth Sciences (2024). DOI: 10.1007/s11430-022-1302-1