Ein Forschungsteam hat sich auf das extreme Regenereignis vom “21.7.” in Henan im Jahr 2021 konzentriert. Sie haben durch die Analyse anomaler physikalischer Merkmale und das Verständnis von Multi-Modell-Vorhersageverzerrungen die Genauigkeit der Niederschlagsintensitätsvorhersagen signifikant verbessert. Dies wurde erreicht, indem Optimierungsmetriken und -beschränkungen, die besser zu den physikalischen und datenbezogenen Merkmalen des Niederschlags passten, in die Verlustfunktion des neuronalen Netzwerks integriert wurden.
Speziell durch die Verwendung des nicht differenzierbaren Multi-Schwellenwerts TS Mean als Verlustfunktion und BIAS als Beschränkung optimierte das Forschungsteam die Modellparameter mithilfe eines Multi-Objektiv-Optimierungsalgorithmus. Dieser Ansatz erzielte signifikante Ergebnisse sowohl bei der kurzfristigen rollierenden Korrektur der extremen Niederschlagsvorhersagen für “21·7” als auch bei der Korrektur basierend auf langfristigen historischen Niederschlagssequenzen.
Das Modell hat durch das Erlernen der Beziehung zwischen anomalen physikalischen Merkmalen und starkem Niederschlag die Intensität der Niederschlagsvorhersagen signifikant verbessert. Die Anpassung der Niederschlagsverteilung erwies sich jedoch als herausfordernd und führte oft zu erheblichen Fehlalarmen. Dies liegt an den großräumigen Informationen, die in der stabilen anomalen Zirkulation und den physikalischen Merkmalen während extremer Niederschlagsereignisse enthalten sind, die mit den Niederschlagsverzerrungen des Modells übereinstimmen, kombiniert mit der Knappheit von extremen Niederschlagsproben, was zur Verwendung von Algorithmen mit geringerer Komplexität führt.
Durch den Einsatz von Maschinenlernen zur Integration mehrerer Niederschlagsvorhersagen besteht das Potenzial, die Vorteile der detaillierten Strukturen in jeder Vorhersage zu nutzen und damit die Genauigkeit der Niederschlagsverteilungsvorhersagen signifikant zu verbessern. Die Verbesserung der Niederschlagsintensität bleibt jedoch begrenzt. Die Integration von “guten und unterschiedlichen” Multi-Modellvorhersagen mit geeigneten anomalen Merkmalen kann eine umfassende Anpassung sowohl der Niederschlagsverteilung als auch der -intensität ermöglichen.
Zukünftige Forschung sollte sich darauf konzentrieren, wie man multi-source Beobachtungen von Satelliten, Radaren und anderen Instrumenten vollständig nutzen kann, um die Verzerrungsmerkmale und physischen Ursachen von Multi-Modell-Niederschlagsvorhersagen zu verstehen. Es ist sinnvoll, die Einführung höherdimensionaler Multi-Modell-Merkmale und anomaler physikalischer Merkmale, die eng mit starkem Niederschlag zusammenhängen, zu erkunden. Die Entwicklung von Netzwerkmodellen, die multi-modellbezogene Informationen und anomale Merkmale umfassend repräsentieren, um eine tiefe Integration von physischen und intelligenten Technologien zu erreichen, ist eine wichtige Richtung zur Verbesserung der Heavy-Precipitation-Vorhersage in der Zukunft.