Nowcast3D: Reliable precipitation nowcasting via gray-box learning
Huaguan Chen, Wei Han, Haofei Sun, Ning Lin, Xingtao Song, Yunfan Yang, Jie Tian, Yang Liu, Ji-Rong Wen, Xiaoye Zhang, Xueshun Shen, Hao Sun
极端降水现在需要高时空保真度和延长的交货时间,但现有方法仍然有限。 数值天气预报(NWP)及其深度学习仿真对于快速演变的对流来说太慢和粗糙,而外推和纯数据驱动的模型则受到错误积累和过度平滑的影响。 混合2D雷达方法丢弃关键的垂直信息,防止精确重建高度依赖的动力学。 我们引入了一个灰盒,完全三维的现播框架,直接处理体积雷达反射率,并将物理约束的神经运算符与数据驱动的学习结合起来。 该模型在保守的前向运算符下学习垂直变化的3D前向域,参数化空间变化的扩散,并引入了一个布朗运动启发的随机术语来表示未解决的运动。 残余分支捕获小规模对流启动和微物理可变性,而基于扩散的随机模块估计不确定性。 该框架在降水机制中实现了更准确的预测,长达3小时的领先时间,在160名气象学家的盲目评估中,57%的病例排名第一。 通过以物理一致性恢复完整的3D动力学,它为熟练和可靠的极端降水注入提供了可扩展和强大的途径。
Extreme precipitation nowcasting demands high spatiotemporal fidelity and extended lead times, yet existing approaches remain limited. Numerical Weather Prediction (NWP) and its deep-learning emulations are too slow and coarse for rapidly evolving convection, while extrapolation and purely data-driven models suffer from error accumulation and excessive smoothing. Hybrid 2D radar-based methods discard crucial vertical information, preventing accurate reconstruction of height-dependent dynamics. W...