TISE-LSTM: Un modelo LSTM para el pronóstico de precipitaciones con interacciones temporales y bloques de extracción espacial

El pronóstico de precipitaciones tiene un profundo impacto en la humanidad y la sociedad, especialmente en áreas con fuertes lluvias, desempeñando un papel central en la alerta contra desastres por tormentas. En la actualidad, se han propuesto numerosos métodos basados en aprendizaje profundo que han demostrado ser superiores a las técnicas tradicionales de extrapolación de ecos de radar, como las Redes Neuronales Recurrentes (RNNs). Nuestro estudio introduce un nuevo modelo de pronóstico de precipitaciones llamado TISE-LSTM, que puede utilizar la imagen real de la media hora anterior para predecir la imagen de eco de radar de la siguiente hora. Al integrar el TIB y el SEB en TISL-LSTM, podemos aliviar el problema inherente observado en los modelos existentes, que es la disminución en la precisión del pronóstico para regiones de alto eco de radar con un tiempo de extrapolación prolongado. En ambos conjuntos de datos de eco de radar reales, CIKM23017 y AHEM, el rendimiento de TISL-LSTM (incluidos POD, FAR, CSI y HSS) mejora en comparación con el modelo de segundo lugar en un 7.53%, 2.32%, 8.93%, 2.6%, y 14.84%, 6.18%, 8.92%, 18.12%, respectivamente, cuando el umbral de precipitación se establece en 40. Además, nuestro modelo obtuvo una MAE, MSE, y puntuación de SSIM óptimas. Las imágenes previstas y los gráficos de cada métrica a lo largo del tiempo de extrapolación demuestran que nuestro modelo pronostica con precisión regiones con altos ecos de radar incluso con una extrapolación de una hora.