In Klimawandelszenarien gibt es einen rapiden Anstieg in der Intensität und Häufigkeit von starken Regenfällen über der indischen Region. Diese starken Regenfälle haben bedeutende Konsequenzen und einen tiefgreifenden Einfluss auf unsere Gesellschaft. Die präzise Vorhersage von Regenfällen mit ausreichender Vorlaufzeit ist jedoch eine immense Herausforderung für die aktuellen dynamischen Modelle. Dieses Problem wird insbesondere über komplexen bergigen Gebieten verschärft. Traditionelle numerische Wettervorhersagemodelle und ihre Ensembles haben Schwierigkeiten, solche Ereignisse genau vorherzusagen aufgrund der komplexen Topographie und variierenden Klimamuster.
Um diese Einschränkungen zu überwinden, hat das IIT Bhubaneswar erstmals eine Hybridtechnologie entwickelt, die die Ausgabe des Weather Research and Forecasting (WRF)-Modells in ein Deep-Learning (DL)-Modell integriert, um die Vorhersagegenauigkeit zu verbessern, insbesondere bei der Vorhersage von starken Regenfällen mit ausreichender Vorlaufzeit. Die Studien wurden über das komplexe Gelände von Assam während des Juni 2023 und über den Bundesstaat Odisha durchgeführt, wo schwere Regenfälle aufgrund der mehrfachen Landung intensiver, regenbringender Monsuntiefdruckgebiete hochdynamisch sind.
Um die Robustheit dieser Technologie für Echtzeitsituationen über das komplexe Terrain von Assam zu demonstrieren, haben Forscher des IIT Bhubaneswar in einer wegweisenden Studie einen signifikanten Fortschritt bei der präzisen Vorhersage von starken Regenfällen in Echtzeit über die Region mittels Deep-Learning-Techniken gezeigt. Die Studie zeigt, dass die Integration von DL mit dem traditionellen WRF-Modell die Vorhersagegenauigkeit für schwere Regenfälle in Echtzeit dramatisch verbessert, was für diese von Überschwemmungen gefährdete, bergige Region wie Assam ein wichtiger Fortschritt ist. Während Assam zwischen dem 13. und 17. Juni 2023 schwere Überschwemmungen durch schwere Regenfälle erlebte, war das DL-Modell in der Lage, die räumliche Verteilung und Intensität der Regenfälle auf Distriktebene genauer vorherzusagen.