[论文解读] A review of radar-based nowcasting of precipitation and applicable machine learning techniques

Rachel Prudden, Samantha V. Adams+5 more|arXiv (Cornell University)|May 11, 2020

Meteorological Phenomena and Simulations参考文献 73被引用 63

一句话总结

本文综述了基于雷达的短时降水预测（nowcasting）方法，回顾传统的平流/外推方法与新兴的机器学习技术，并讨论将机器学习与大气科学见解结合的途径。

ABSTRACT

A 'nowcast' is a type of weather forecast which makes predictions in the very short term, typically less than two hours - a period in which traditional numerical weather prediction can be limited. This type of weather prediction has important applications for commercial aviation; public and outdoor events; and the construction industry, power utilities, and ground transportation services that conduct much of their work outdoors. Importantly, one of the key needs for nowcasting systems is in the provision of accurate warnings of adverse weather events, such as heavy rain and flooding, for the protection of life and property in such situations. Typical nowcasting approaches are based on simple extrapolation models applied to observations, primarily rainfall radar. In this paper we review existing techniques to radar-based nowcasting from environmental sciences, as well as the statistical approaches that are applicable from the field of machine learning. Nowcasting continues to be an important component of operational systems and we believe new advances are possible with new partnerships between the environmental science and machine learning communities.

研究动机与目标

• 解释基于雷达的外推和平流(nowcasting)的历史与当前状态。
• 总结可量化nowcasting不确定性的概率与随机方法。
• 讨论机器学习方法及其缓解拉格朗日持久性假设的潜力。
• 确定大气科学与机器学习在改进对流今求预测中的整合点。
• 突出雷达降水现在时预测中的开放挑战和未来研究路径。

提出的方法

• 回顾传统的欧拉/拉格朗日持久性与基于平流的现在时预测模型（光流、半拉格朗日方案、基于单元的方法）。
• 提出用于估计平流场并强制空间一致性的变分和层次方法。
• 总结概率和随机扩展（邻域方法、尺度分解）以考虑不确定性。
• 讨论通过诊断与混合平流—天气预报(NWP)框架来预测对流发展的策略。
• 综述用于密集时空预测的机器学习结构，包括时空卷积和基于流动/形变的模型。
• 解决将机器学习应用于现在时预测时的挑战，如可解释性以及避免模糊/极端缺失的预测。

实验结果

研究问题

• RQ1 历史上和当前使用的主要雷达基于的现在时预测方法有哪些？
• RQ2 概率和随机方法如何量化和管理现在时预测中的不确定性？
• RQ3 哪些机器学习技术在现在时预测中的密集时空降水预测方面显示出潜力？
• RQ4 如何将机器学习与物理诊断相结合，以改善对流起始与发展预测？
• RQ5 在雷达为基础的现在时预测中，哪些关键挑战（可解释性、模式转换、多尺度动力学）限制了机器学习？

主要发现

• 基于平流/外推的现在时预测提供高分辨率预报，但在快速演变和对流起始方面存在困难。
• 概率与随机扩展通过对平流误差和尺度相关的演变建模来解决不确定性。
• 通过将平流与诊断（如CAPE/CIN、边界层收敛和环境分析）相结合，可以改进对流发展预测。
• 机器学习方法（密集时空预测、流动和形变模型）显示潜力，但在稳定性、极端事件和可解释性方面存在问题。
• 将雷达外推与NWP分析或环境诊断融合的混合框架带来最有前景的改进。
• 该领域倡导大气科学与机器学习之间的更紧密合作，以利用多样化的数据源和领域知识。