Mejora en la Predicción de Baja Visibilidad sobre Guizhou, China, Basada en un Modelo de Aprendizaje Profundo Multivariable
Autores: He, Dongpo; Wang, Yuetong; Tang, Yuanzhi; Kong, Dexuan; Yang, Jing; Zhou, Wenyu; Li, Haishan; Wang, Fen
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejora en la Predicción de Baja Visibilidad sobre Guizhou, China, Basada en un Modelo de Aprendizaje Profundo Multivariable
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Pronóstico de visibilidad
Arquitectura Unet
Variables meteorológicas
Alta resolución espaciotemporal
Predicción numérica del tiempo
Modelo de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
La previsión de visibilidad de alta calidad beneficia la seguridad del transporte, los servicios públicos y el turismo. Para una previsión más precisa de la visibilidad en la región de Guizhou, China, construimos varios modelos de previsión de visibilidad mediante refinamientos progresivos en diferentes composiciones de variables observacionales de entrada y la adopción de la arquitectura Unet para realizar previsiones horarias de visibilidad con plazos de hasta 72 horas en Guizhou, China. Se construyeron tres modelos de previsión de visibilidad basados en Unet según diferentes entradas de variables meteorológicas. El entrenamiento del modelo mediante múltiples variables observacionales y previsiones de visibilidad de un modelo de predicción numérica del tiempo de alta resolución espaciotemporal (Administración Meteorológica de China, Guangdong, CMA-GD) produjo un mayor puntaje de amenaza (TS), lo que llevó a mejoras sustanciales para diferentes umbrales de visibilidad en comparación con CMA-GD. Sin embargo, los modelos basados en Unet tuvieron un mayor puntaje de sesgo (BS) que el modelo CMA-GD. Al introducir la arquitectura Unet, hubo una mejora adicional en el TS del modelo de aproximadamente el doble en comparación con el modelo Unet, junto con una reducción significativa en el BS, lo que mejoró la estabilidad de la previsión del modelo. En particular, el modelo basado en Unet tuvo el mejor rendimiento en términos de TS por debajo del umbral de visibilidad de 200 m, con un aumento de más de ocho veces en comparación con el modelo CMA-GD. Además, el modelo basado en Unet mostró algunas mejoras en el TS, BS y RMSE (error cuadrático medio) en comparación con el modelo LSTM_Attention. La distribución espacial del TS mostró que el modelo basado en Unet tuvo un mejor rendimiento a la escala de cuadrícula del modelo de 3 km que a la escala de estaciones meteorológicas individuales. En resumen, el modelo de previsión de visibilidad basado en el algoritmo Unet, múltiples variables observacionales y datos de visibilidad del modelo CMA-GD tuvo el mejor rendimiento. Las composiciones de variables observacionales de entrada fueron el factor clave para mejorar la capacidad de previsión del modelo de aprendizaje profundo, y estas mejoras podrían aumentar el valor de las previsiones y apoyar las necesidades socioeconómicas de los sectores que dependen de la previsión de visibilidad.
Descripción
La previsión de visibilidad de alta calidad beneficia la seguridad del transporte, los servicios públicos y el turismo. Para una previsión más precisa de la visibilidad en la región de Guizhou, China, construimos varios modelos de previsión de visibilidad mediante refinamientos progresivos en diferentes composiciones de variables observacionales de entrada y la adopción de la arquitectura Unet para realizar previsiones horarias de visibilidad con plazos de hasta 72 horas en Guizhou, China. Se construyeron tres modelos de previsión de visibilidad basados en Unet según diferentes entradas de variables meteorológicas. El entrenamiento del modelo mediante múltiples variables observacionales y previsiones de visibilidad de un modelo de predicción numérica del tiempo de alta resolución espaciotemporal (Administración Meteorológica de China, Guangdong, CMA-GD) produjo un mayor puntaje de amenaza (TS), lo que llevó a mejoras sustanciales para diferentes umbrales de visibilidad en comparación con CMA-GD. Sin embargo, los modelos basados en Unet tuvieron un mayor puntaje de sesgo (BS) que el modelo CMA-GD. Al introducir la arquitectura Unet, hubo una mejora adicional en el TS del modelo de aproximadamente el doble en comparación con el modelo Unet, junto con una reducción significativa en el BS, lo que mejoró la estabilidad de la previsión del modelo. En particular, el modelo basado en Unet tuvo el mejor rendimiento en términos de TS por debajo del umbral de visibilidad de 200 m, con un aumento de más de ocho veces en comparación con el modelo CMA-GD. Además, el modelo basado en Unet mostró algunas mejoras en el TS, BS y RMSE (error cuadrático medio) en comparación con el modelo LSTM_Attention. La distribución espacial del TS mostró que el modelo basado en Unet tuvo un mejor rendimiento a la escala de cuadrícula del modelo de 3 km que a la escala de estaciones meteorológicas individuales. En resumen, el modelo de previsión de visibilidad basado en el algoritmo Unet, múltiples variables observacionales y datos de visibilidad del modelo CMA-GD tuvo el mejor rendimiento. Las composiciones de variables observacionales de entrada fueron el factor clave para mejorar la capacidad de previsión del modelo de aprendizaje profundo, y estas mejoras podrían aumentar el valor de las previsiones y apoyar las necesidades socioeconómicas de los sectores que dependen de la previsión de visibilidad.