التعلم العميق لتوقع الهطول القريب: معيار جديد ونموذج جديد

في إطار السعي لتحقيق تنبؤات عالية الدقة بتساقط الأمطار على المستوى الإقليمي، أصبح التنبؤ الفوري بالتساقط من التقنيات الأساسية والهامة التي تعتمدها العديد من الخدمات العامة، بدءًا من تحذيرات العواصف المطرية وصولاً إلى سلامة الطيران. مؤخرًا، أثبت نموذج LSTM المتكرر المكاني (ConvLSTM) أنه يتفوق على الطرق التقليدية القائمة على الجريان البصري في التنبؤ الفوري بالتساقط، مما يشير إلى أن نماذج التعلم العميق لديها إمكانات كبيرة لحل هذه المشكلة. ومع ذلك، فإن البنية المتكررة المكانية في نماذج ConvLSTM ثابتة بالنسبة للموقع بينما الحركة والتحول الطبيعيان (مثل الدوران) متغيران حسب الموقع بشكل عام. بالإضافة إلى ذلك، بما أن التنبؤ الفوري بالتساقط باستخدام التعلم العميق هو مجال جديد نسبيًا، لم يتم وضع بروتوكولات تقييم واضحة بعد. لمعالجة هذه المشكلات، نقترح كلاً من نموذج جديد ومقياس مرجعي للتنبؤ الفوري بالتساقط. تحديدًا، نتجاوز ConvLSTM ونقترح نموذج GRU المسار (TrajGRU) الذي يمكنه تعلم البنية المتغيرة حسب الموقع بشكل فعّال للروابط المتكررة. علاوة على ذلك، نقدم مقياس مرجعي يشمل مجموعة بيانات حقيقية كبيرة من مرصد هونغ كونغ، خسارة تدريب جديدة، وبروتوكول تقييم شامل لدعم الأبحاث المستقبلية وتقييم مستوى التقنية الحالي.