Key points are not available for this paper at this time.
الملخص: تقدم هذه الدراسة مخطط تعلم عميق (DL) لتوليد توقعات كمية احتمالية موثوقة ومهارية للتساقط (PQPFs) في إطار معالجة بعدية. يُقترح تحسين بنية نموذج التعلم الآلي وآليات التدريب لتحسين موثوقية ومهارة PQPFs مع السماح بملاءمة نموذجية فعالة حسابياً باستخدام مجموعة بيانات تدريب قصيرة. تُطبق المنهجية على المعالجة البعدية لتوقعات PQPFs المتراكمة على مدى 24 ساعة من نظام التنبؤ الجماعي الذي تم تقديمه مؤخرًا من قبل مركز الطقس والمياه الغربية (CW3E) ولأوقات تتراوح من 1 إلى 6 أيام. تم تصميم النظام الجماعي استنادًا إلى إصدار عالي الدقة من نموذج أبحاث وتنبؤات الطقس (WRF) المعروف باسم West-WRF، لإنتاج فرقة مكونة من 200 عضو في الوقت الحقيقي تقريباً (NRT) عبر غرب الولايات المتحدة خلال مواسم البرودة الشمالية لدعم عمليات الخزانات المعتمدة على التنبؤ (FIRO) ودراسات التنبؤ بأحداث شديدة إلى متطرفة. تتم مقارنة PQPFs المعالجة بعدياً مع تلك الناتجة من الفرقة الخام لـ West-WRF، ونظام التنبؤ الجماعي التشغيلي (GEFSv12)، والفرقة من المركز الأوروبي لتنبؤات الطقس المتوسطة المدى (ECMWF). كخط أساسي إضافي، نقدم مقاييس تحقق PQPF من مخطط معالجة بعدية قائم على الشبكات العصبية تم تطويره مؤخرًا. تُظهر النتائج أن مهارة التوقعات المعالجة بعدياً تتفوق بشكل كبير على PQPFs والتوقعات الحتمية من الفرق الخام والخوارزمية التي تم تطويرها مؤخرًا. تؤدي PQPFs الناتجة عمومًا إلى تحسين موثوقية ومهارة القواعد في توقع التساقط الشديد إلى المتطرف (مثل >75 مم) عبر جميع الأوقات بينما تحافظ على الهيكل المكاني للفرقة الخام العالية الدقة.
درس غازفينيان وآخرون (الثلاثاء) هذا السؤال.