STFM: Modelo de Fusión Espacio-Temporal Preciso para Pronóstico del Tiempo
Autores: Liu, Jun; Wu, Li; Zhang, Tao; Huang, Jianqiang; Wang, Xiaoying; Tian, Fang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
STFM: Modelo de Fusión Espacio-Temporal Preciso para Pronóstico del Tiempo
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Predicción meteorológica
Modelos de aprendizaje profundo
Modelo de Fusión Espaciotemporal
Reanálisis del ECMWF
Redes neuronales convolucionales
Redes neuronales recurrentes
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 11
Citaciones: Sin citaciones
La predicción meteorológica es crucial para varios sectores, incluyendo la agricultura, la navegación, la vida diaria, la prevención de desastres y la investigación científica. Sin embargo, los modelos tradicionales de predicción numérica del tiempo (NWP) están limitados por sus altos requerimientos de recursos computacionales, mientras que la precisión de los modelos de aprendizaje profundo sigue siendo subóptima. En respuesta a estos desafíos, proponemos un nuevo modelo basado en aprendizaje profundo, el Modelo de Fusión Espaciotemporal (STFM), diseñado para mejorar la precisión de las predicciones meteorológicas. Nuestro modelo aprovecha los datos de Reanálisis de Quinta Generación del ECMWF (ERA5) e introduce dos componentes clave: un módulo de codificación espaciotemporal y un módulo de fusión espaciotemporal. El codificador espaciotemporal integra las fortalezas de las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), capturando efectivamente tanto las dependencias espaciales como temporales. Mientras tanto, el módulo de fusión espaciotemporal emplea un mecanismo de atención dual, descomponiendo la atención espacial en atención estática global y atención dinámica de canal. Este enfoque asegura una extracción completa de características espaciales de los datos meteorológicos. La combinación de estos módulos mejora significativamente el rendimiento de la predicción. Los resultados experimentales demuestran que el STFM sobresale en la extracción de características espaciotemporales de los datos de reanálisis, produciendo predicciones que se alinean estrechamente con los valores observados. En estudios comparativos, el STFM superó a otros modelos, logrando una mejora del 7% en las predicciones de temperatura en superficie y a gran altitud, una mejora del 5% en la predicción de los componentes u/v de la velocidad del viento a 10 m, y un aumento en la precisión de las predicciones de altura potencial y humedad relativa del 3% y 1%, respectivamente. Este rendimiento mejorado destaca el potencial del STFM para avanzar en la precisión y fiabilidad de la previsión meteorológica.
Descripción
La predicción meteorológica es crucial para varios sectores, incluyendo la agricultura, la navegación, la vida diaria, la prevención de desastres y la investigación científica. Sin embargo, los modelos tradicionales de predicción numérica del tiempo (NWP) están limitados por sus altos requerimientos de recursos computacionales, mientras que la precisión de los modelos de aprendizaje profundo sigue siendo subóptima. En respuesta a estos desafíos, proponemos un nuevo modelo basado en aprendizaje profundo, el Modelo de Fusión Espaciotemporal (STFM), diseñado para mejorar la precisión de las predicciones meteorológicas. Nuestro modelo aprovecha los datos de Reanálisis de Quinta Generación del ECMWF (ERA5) e introduce dos componentes clave: un módulo de codificación espaciotemporal y un módulo de fusión espaciotemporal. El codificador espaciotemporal integra las fortalezas de las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), capturando efectivamente tanto las dependencias espaciales como temporales. Mientras tanto, el módulo de fusión espaciotemporal emplea un mecanismo de atención dual, descomponiendo la atención espacial en atención estática global y atención dinámica de canal. Este enfoque asegura una extracción completa de características espaciales de los datos meteorológicos. La combinación de estos módulos mejora significativamente el rendimiento de la predicción. Los resultados experimentales demuestran que el STFM sobresale en la extracción de características espaciotemporales de los datos de reanálisis, produciendo predicciones que se alinean estrechamente con los valores observados. En estudios comparativos, el STFM superó a otros modelos, logrando una mejora del 7% en las predicciones de temperatura en superficie y a gran altitud, una mejora del 5% en la predicción de los componentes u/v de la velocidad del viento a 10 m, y un aumento en la precisión de las predicciones de altura potencial y humedad relativa del 3% y 1%, respectivamente. Este rendimiento mejorado destaca el potencial del STFM para avanzar en la precisión y fiabilidad de la previsión meteorológica.