ترجمه فارسی مقاله پخش لحظه ای یکپارچه بارش همرفتی با مدل های مبتنی بر ترانسفورماتور با استفاده از داده های چند منبع

چکیده

Precipitation nowcasting is crucial for mitigating the impacts of severe weather events and supporting daily activities. Conventional models predominantly relying on radar data have limited performance in predicting cases with complex temporal features such as convection initiation, highlighting the need to integrate data from other sources for more comprehensive nowcasting. Unlike physics-based models, machine learning (ML)-based models offer promising solutions for efficiently integrating large volumes of diverse data. We present EF4INCA, a spatiotemporal Transformer model for precipitation nowcasting that integrates satellite- and ground-based observations with numerical weather prediction outputs. EF4INCA provides high-resolution forecasts over Austria, accurately predicting the location and shape of precipitation fields with a spatial resolution of 1 kilometre and a temporal resolution of 5 minutes, up to 90 minutes ahead. Our evaluation shows that EF4INCA outperforms conventional nowcasting models, including the operational model of Austria, particularly in scenarios with complex temporal features such as convective initiation and rapid weather changes. EF4INCA maintains higher accuracy in location forecasting but generates smoother fields at later prediction times compared to traditional models. Interpretation of our model showed that precipitation products and SEVIRI infrared channels CH7 and CH9 are the most important data streams. These results underscore the importance of combining data from different domains, including physics-based model products, with ML approaches. Our study highlights the robustness of EF4INCA and its potential for improved precipitation nowcasting. We provide access to our code repository, model weights, and the dataset curated for benchmarking, facilitating further development and application.

چکیده به فارسی (ترجمه ماشینی)

اکنون بارش برای کاهش تأثیر حوادث شدید آب و هوایی و حمایت از فعالیت های روزانه بسیار مهم است.مدلهای متعارف عمدتاً با تکیه بر داده های رادار در پیش بینی موارد با ویژگی های زمانی پیچیده مانند شروع همرفت ، عملکرد محدودی دارند و این امر نیاز به ادغام داده ها از منابع دیگر را برای اکنون جامع تر نشان می دهد.بر خلاف مدل های مبتنی بر فیزیک ، مدل های مبتنی بر یادگیری ماشین (ML) راه حل های امیدوارکننده ای را برای ادغام کارآمد حجم بزرگ داده های متنوع ارائه می دهند.ما EF4INCA را ارائه می دهیم ، یک مدل ترانسفورماتور فضایی و مکانی برای بارش بارندگی که مشاهدات ماهواره ای و زمینی را با خروجی های پیش بینی آب و هوا عددی ادغام می کند.EF4INCA پیش بینی های با وضوح بالا را نسبت به اتریش ارائه می دهد ، مکان و شکل مزارع بارش را با وضوح مکانی 1 کیلومتر و وضوح زمانی 5 دقیقه ، تا 90 دقیقه جلوتر پیش بینی می کند.ارزیابی ما نشان می دهد که EF4INCA از مدل های متعارف nowcasting ، از جمله مدل عملیاتی اتریش ، به ویژه در سناریوهایی با ویژگی های زمانی پیچیده مانند شروع همرفتی و تغییرات سریع آب و هوا ، بهتر عمل می کند.EF4INCA دقت بالاتری را در پیش بینی موقعیت مکانی حفظ می کند اما در زمان پیش بینی بعدی زمینه های صاف تری در مقایسه با مدل های سنتی ایجاد می کند.تفسیر مدل ما نشان داد که محصولات بارش و کانال های مادون قرمز Seviri CH7 و CH9 مهمترین جریان داده ها هستند.این نتایج بر اهمیت ترکیب داده ها از حوزه های مختلف ، از جمله محصولات مدل مبتنی بر فیزیک ، با رویکردهای ML تأکید می کند.مطالعه ما استحکام EF4INCA و پتانسیل آن برای بهبود بارندگی را نشان می دهد.ما دسترسی به مخزن کد ، وزن مدل و مجموعه داده های مربوط به معیار ، تسهیل توسعه و کاربرد بیشتر را فراهم می کنیم.