Transformer-based nowcasting of radar composites from satellite images for severe weather

要約

気象レーダー データはナウキャスティングにとって重要であり、数値気象予測モデルの不可欠なコンポーネントです。
気象レーダー データは高解像度で貴重な情報を提供しますが、地上にあるという性質により利用可能性が制限され、大規模なアプリケーションの妨げとなります。
対照的に、気象衛星はより大きな領域をカバーしますが、解像度は粗くなります。
しかし、データ駆動型の方法論と静止衛星に搭載された最新のセンサーの急速な進歩により、地上と宇宙の観測間のギャップを埋める新たな機会が生まれ、最終的にはより高度で精度の高い気象予測につながります。
ここでは、最大 2 時間のリードタイムで衛星データを使用して地上のレーダー画像シーケンスをナウキャストするための Transformer ベースのモデルを紹介します。
厳しい気象条件を反映するデータセットでトレーニングされたこのモデルは、さまざまな気象現象の下で発生するレーダーフィールドを予測し、急速に成長/衰退するフィールドや複雑なフィールド構造に対する堅牢性を示します。
モデルの解釈により、10.3 $\mu m$ (C13) を中心とする赤外線チャネルにはあらゆる気象条件に関する優れた情報が含まれている一方、雷データは厳しい気象条件、特にリードタイムが短い場合に相対的な特徴の重要性が最も高いことが明らかになりました。
このモデルは、レーダー塔を明示的に必要とせずに、大規模なドメインにわたる降水量ナウキャスティングをサポートし、数値天気予報と水文モデルを強化し、データが不足している地域にレーダー プロキシを提供できます。
さらに、オープンソース フレームワークは、運用データ駆動型のナウキャストへの進歩を促進します。

要約(オリジナル)

Weather radar data are critical for nowcasting and an integral component of numerical weather prediction models. While weather radar data provide valuable information at high resolution, their ground-based nature limits their availability, which impedes large-scale applications. In contrast, meteorological satellites cover larger domains but with coarser resolution. However, with the rapid advancements in data-driven methodologies and modern sensors aboard geostationary satellites, new opportunities are emerging to bridge the gap between ground- and space-based observations, ultimately leading to more skillful weather prediction with high accuracy. Here, we present a Transformer-based model for nowcasting ground-based radar image sequences using satellite data up to two hours lead time. Trained on a dataset reflecting severe weather conditions, the model predicts radar fields occurring under different weather phenomena and shows robustness against rapidly growing/decaying fields and complex field structures. Model interpretation reveals that the infrared channel centered at 10.3 $\mu m$ (C13) contains skillful information for all weather conditions, while lightning data have the highest relative feature importance in severe weather conditions, particularly in shorter lead times. The model can support precipitation nowcasting across large domains without an explicit need for radar towers, enhance numerical weather prediction and hydrological models, and provide radar proxy for data-scarce regions. Moreover, the open-source framework facilitates progress towards operational data-driven nowcasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google