Ein Forschungsteam konzentrierte sich auf das extreme Regenereignis „21·7“ in Henan im Jahr 2021. Durch die Analyse anomaler physikalischer Eigenschaften und das Verständnis von Prognoseverzerrungen bei mehreren Modellen konnten sie die Genauigkeit der Niederschlagsintensitätsprognosen deutlich verbessern. Diese Verbesserung wurde erreicht, indem Optimierungsmetriken und -beschränkungen, die besser auf die physikalischen und Dateneigenschaften des Niederschlags abgestimmt sind, in die Verlustfunktion des neuronalen Netzwerks integriert wurden.
Insbesondere durch die Verwendung des nicht differenzierbaren mehrschwelligen TS-Mittelwerts als Verlustfunktion und BIAS als Einschränkung optimierte das Forschungsteam die Modellparameter mithilfe eines immun-evolutionären Algorithmus zur Mehrzieloptimierung. Mit diesem Ansatz wurden sowohl bei der nahezu in Echtzeit erfolgenden rollierenden Korrektur der Prognose des Extremregenereignisses „21·7“ als auch bei der Korrektur auf Grundlage langfristiger historischer Niederschlagsfolgen signifikante Ergebnisse erzielt.
Durch das Erlernen der Beziehung zwischen anomalen physikalischen Eigenschaften und starkem Niederschlag verbesserte das Modell die Intensität der Niederschlagsvorhersagen erheblich. Die Anpassung der Niederschlagsverteilung erwies sich jedoch als schwierig und führte häufig zu erheblichen Fehlalarmen. Dies liegt an den umfangreichen Informationen, die in der stabilen anomalen Zirkulation und den physikalischen Eigenschaften während extremer Niederschlagsereignisse enthalten sind, was mit den Niederschlagsverzerrungen des Modells übereinstimmt. In Verbindung mit der Knappheit von Proben extremer Niederschläge führt dies zur Verwendung von Algorithmen mit geringerer Komplexität.
Durch den Einsatz von maschinellem Lernen zur Integration mehrerer Niederschlagsvorhersagen besteht das Potenzial, die Vorteile der detaillierten Strukturen in jeder Vorhersage zu nutzen und so die Genauigkeit der Niederschlagsverteilungsvorhersagen deutlich zu verbessern. Die Verbesserung der Niederschlagsintensität bleibt jedoch begrenzt. Durch die Integration „guter und unterschiedlicher“ Multimodellvorhersagen mit entsprechenden anomalen Merkmalen kann eine umfassende Anpassung sowohl der Niederschlagsverteilung als auch der Niederschlagsintensität erreicht werden.
Zukünftige Forschung sollte sich darauf konzentrieren, wie man Beobachtungen aus mehreren Quellen von Satelliten, Radaren und anderen Instrumenten voll ausnutzen kann, um die Verzerrungsmerkmale und physikalischen Ursachen von Niederschlagsvorhersagen mit mehreren Modellen zu verstehen. Es lohnt sich, die Einführung höherdimensionaler Merkmale mehrerer Modelle und anomaler physikalischer Merkmale zu untersuchen, die eng mit starkem Niederschlag zusammenhängen.
Die Entwicklung von Netzwerkmodellen, die Informationen aus mehreren Modellen und anomale Merkmale umfassend darstellen und dadurch eine tiefe Integration physikalischer und intelligenter Technologien erreichen, ist ein entscheidender Schritt zur Verbesserung der Starkniederschlagsvorhersage in der Zukunft.
Das Papier ist veröffentlicht im Journal Wissenschaft China Geowissenschaften. Diese Studie wurde von Professor Qi Zhong und Professor Xiuping Yao vom China Meteorological Administration Training Center und dem stellvertretenden Ingenieur Zhicha Zhang vom Zhejiang Meteorological Observatory zusammen mit weiteren Mitgliedern des Forschungsteams geleitet.
Weitere Informationen:
Qi Zhong et al., Verbesserte Prognosen durch physikgestütztes maschinelles Lernen am Beispiel des Extremregenereignisses „21·7“ in Henan, Wissenschaft China Geowissenschaften (2024). DOI: 10.1007/s11430-022-1302-1