Aplicação e Comparação de Dois Modelos de Deep Learning Baseados em Transformer na Previsão de Precipitação de Curto Prazo

No contexto da intensificação das mudanças climáticas globais, eventos extremos de precipitação têm se tornado cada vez mais frequentes. Melhorar a precisão da previsão imediata de precipitação de curto prazo é, portanto, essencial para prevenção e mitigação de desastres. Abordagens tradicionais de previsão numérica do tempo (NWP) são limitadas pela latência computacional e erros decorrentes das parametrizações físicas, dificultando a satisfação dos requisitos de previsão em tempo real com alta resolução espaço-temporal. Utilizando o conjunto de dados SEVIR, este estudo realiza uma comparação sistemática de dois modelos de deep learning baseados em Transformer — Earthformer e LLMDiff — para previsão imediata de precipitação extrema de curto prazo. O desempenho dos modelos é avaliado usando o Critical Success Index (CSI), Probability of Detection (POD) e Success Ratio (SUCR). Os resultados indicam que, para horizontes de 0 a 30 minutos, o Earthformer captura de forma mais eficiente dependências espaço-temporais locais e de longo alcance por meio de seu mecanismo de Cuboid Attention, mostrando uma leve vantagem para precipitação de baixa intensidade. À medida que o horizonte se estende para 60 minutos, o LLMDiff demonstra habilidade superior para previsões de longo prazo devido à sua modelagem probabilística baseada em difusão e a um módulo de grande modelo de linguagem (LLM) congelado, que aprimoram a representação da incerteza e a evolução de longo prazo dos sistemas de precipitação. No entanto, LLMDiff tende a apresentar uma taxa maior de alarmes falsos. De modo geral, o Earthformer é mais adequado para alertas rápidos de precipitação leve, enquanto o LLMDiff é mais apropriado para previsão altamente precisa de precipitação intensa, oferecendo insights úteis para previsão inteligente de eventos extremos.