Luisa Castaño

Short-Term Quantitative Precipitation Forecacsting using Radar Data and Neural Networks

Betreuer: Paras Mehta , Agnès Voisard
Abschluss: Bachelor of Science (B.Sc.)

Kurzbeschreibung

Die auf Radardaten basierte kurzfristige Vorhersage von Regenmengen ist ein wichtiger Bereich der Metheorologie, dessen Auswirkungen von Hochwasserschutz über Verkehrskontrolle bis zu Veranstaltungsplanung betreffen. Moderne Systeme erstellen hoch akkurate Einschätzungen der Regenwahr-scheinlichkeit innerhalb G Stunden, aber noch nicht der genauen Quantität. Das Ziel der CIKM AnalytiCup 2017 ist, die existierende Systeme für Vorhersage mit 1 Std. Vorlaufzeit von fiiißigen Niederschalgsmengen zu verbessern unter der Nutzung von 1.5 Stunden akkummuliereten Radardaten.

Existierende Systeme verwenden neben komplexen physikalischen Simulationen. Computer Vision Algorithmen um Konvektionszellen zu verfolgen, und eine mathematische Relation (Marshall & Palmer) um die Rcfickt.ionswerte dieser in Regenraten umzuwandeln. Darüber hinaus, verfügen diese Systeme über mehr Information, wie zum Beispiel Windgeschwindigkeit und -richtung, Temperatur, Luftdruck, und Topographie. Das erste Ziel dieser Arbeit ist die Vorhersage von Regenmengen mit einem RMSE besser als 14.G9 lnm/li. nur unter Verwendung von Radar Echo Extrapolationsdaten. Das zweite Ziel der Arbeit ist die Evaluation des erstellten Vorhersagemo-dells im Vergleich mit einem state-of-the-art Quantitative Precipitation Fo-recasting (QPF) System. Da die Relation zwischen Rcfickt ionswerten und Regenmenge stark nicht-linear ist und Artifizielle Neurale Netze (ANN) jede Funktion in Rn approximieren können, wurden in dieser Arbeit verschiedene etablierte Convolutional Neural Network (CNN) Architekturen als Vorhersagemodelle für das beschriebene Problem evaluiert. Obwohl die vorgegebene Performance-Baseline nicht erreicht wurde, stellen die Ergebnisse des Vergleichs mit dem professionellen QPF-System vielversprechendes weiteres Forschungspotenzial in Aussicht .