Hidrolojik çalışmalar, su döngüsü dinamiklerini anlamak için doğru tanımlama ve karakterizasyona, sel riskleri değerlendirmek ve iklim değişikliği etkilerini değerlendirmek için güvenir. Kılavuzly, yağmur ölçümlerinden sürekli zaman serisini destekler, radar şebekeleri veya uydu tahminleri, su bazlı önyargılara eğilimli ve güvenilir algoritmaları geliştirmek.

Otomatik Precipitation Tespitinin Önemi

Kılavuz olay tespiti genellikle hipnograf veya radar animasyonlarının görsel incelemesini içerir, bu konuyla ilgili tüm yüksek frekans verilerini yoğun sensör ağlarından kullanarak pratik olarak ortadan kaldırır.İnsan analistleri kısa süreli olayları veya sınırsız etiketleme sınırları, sistemsel hataları tanıtmak için daha sonraki analizlere karşı kritiktir. Örnek olarak, Avrupa'nın sabit uyarılarını kullanarak, sürekli olarak uyarılama ve etkinlik uyarılarını artırmak için baskıya karşılaştırıldığında, otomatik olarak sabitleme ve dönüşüme karşı yapılan hataların arttırılması.

Ayrıca, otomatik algılama, olay özelliklerine ilişkin çalışmayı kolaylaştırır - tahmin, yoğunluk, frekans ve mevsimlik - uzun dönemler, trend algılama ve alıntı çalışmaları sağlar.Süresel rejimlerdeki iklim modelleri projesi değişiklikler olarak, sağlam algılama algoritmaları gözlemlenen olay istatistiklerine karşı modellemek için vazgeçilmez hale gelir.

Data Sources ve Preprocessing

Etkili olay tespiti yüksek kaliteli yağış verileri ile başlar. Veri kaynağının seçimi algoritma tasarımı, algılama eşleri ve belirsizlik ölçümleme. Common resources şunları içerir:

  • [FONT:0)Rain ölçümleri[Dönetici:0)[Dönetici:0)[Döneticileri)[Dönemli) ile nokta ölçümleri.
  • [FONT:0]Temple radar[DÜDÜT:1) - yüksek çözünürlükte uzaysal olarak sürekli tahminler sağlar, ancak kiriş blokaja tabi olsa da, dayanıklılık ve yansıtıcı dönüşümler.
  • [FONT:0)Satellite retrievals[Dönetici:0)[[Dönetici:0)) – GPM (Global Precipitation Ölçümü) ve IMERG gibi platformlardan küresel kapsama alanı, kısa vadeli olaylar için koarser çözünürlük ve daha büyük belirsizlikle.
  • [FONT:0)Reanized ürünleri[[[Dönetici:0)[Döneticiler) – gözlemleri ve modellemeleri karıştıran ERA5 gibi ağlayan veri setleri, trend analizi için uzun, tutarlı kayıtlar sunar.

Kaynaktan bağımsız olarak, işlem öncesi ürünler önemlidir. Raw verileri genellikle radyo müdahalesi, zemin klişesi veya iletim hataları gibi eserler içerir. Kalite kontrol adımları, hızlı kesintiler, zaman zaman aralıksızlığı, bazı uygulamalar (örneğin, uzaysal tutarlılık analizi) alt saatli örnekleme için çeşitli kaynaklar birleştirdiğinde gerekli olabilir.

Eksik Data

Zaman serisindeki boşluklar, tespit edilen olaylara dayanan yanlış negatif veya yapay olarak ayrıştırılmış olmayan ağlara yol açabilir. Ortak stratejiler, beklenen olay süresinden daha kısa sürede boşluklar için lineer bir arastırma gerektirir veya komşu istasyonlar için/kriging for space interpolasyon için daha ileri yaklaşımlar, zaman zaman zaman zamanlayıcı olmayan ağlarda eksik değerleri tespit edilen hataların kullanılmasına yol açar.

Algorithms

Çeşitli tekniklere rağmen, çoğu otomatik yağış olayı dedektörleri dört aşamadan oluşan ortak bir çerçeve paylaşıyor: satın alma, işlenme, tanımlama ve doğrulama. Teknik derinlik sağlamak için orijinal taslakta genişletiyoruz.

Data Acquisition

API'lerden, FTP sunucularından veya yerel veritabanından düzenli aralıklarla veri teslimatının gecikmesi dikkate alınmalıdır - yanlış ürünler genellikle 2-6 saat gecikme süresine sahiptir.

Preprocessing

Temizliğin ötesinde, preişmanlama, ağır yağışın en yüksek azaltılması için genellikle ayarlandığında diurnal veya mevsimsel döngüleri kaldırmak için filtreleme içerebilir. Uydu ürünleri için, önyargı düzeltmesi ölçümler kullanılarak ölçümler (örneğin, ölçümler) genellikle ağır yağışın en yüksek azaltılması için uygulanır.

Olay Tanımlama

Bu temel adımdır: Sürekli zaman serisi ayrı olaylara tercüme edilir. Çoğu algoritmada, bir yağış olayı, yoğunluk belirli bir eşiğine geçtiğinde, ayrımı sağlamak için olaylar arasında minimum kuru aralığın daha da kırılabilir olması için tanımlanabilir:

  • Threshold application - ikili olay / olmayan bayraklara dönüştürme.
  • Wet-spell grubu - aday olaylara ikinci kez adım atarak.
  • Asgari süre filtreleme – olayları fiziksel olarak makul bir süreden daha kısa bir süre (örneğin, konvektif hücreler için 5 dakika, stratiform yağmur için 1 saat).
  • Intensity zirve algılaması - türün sınıflandırması için her olaydaki maksimum oranı (light, orta, ağır).

Geçerlilik

Geçerlilik, belirli bir referans veri kümesine karşı tespit edilen olayları karşılaştırır, genellikle manuel analiz veya yüksek kaliteli radar ürünlerinden elde edilir. Ölçümler, algılama olasılığı (POD), yanlış alarm oranı (FAR), ve kritik başarı indeksi (CSI) Olay bazlı değerlendirme için, olay süresi hatası ve zaman dengesi hesaplamak gibi ek ölçümler hesaplanır. Uzayda zaman çizelgesi ve zamanlayıcılık.

Algoritmalarda Kullanılan Teknikler

Tanım aşaması çeşitli hesaplama yöntemleri ile fark edilebilir, her biri basitlik, yorumlanabilirlik ve doğruluk arasındaki ticaretle yapılır. dört ana aile detayı: eş temelli, istatistiksel, makine öğrenimi ve hibrid.

Threshold-based Yöntemler

En basit yaklaşım sabit bir yoğunluk eşini ayarlar; Bu eşiğin üzerindeki yağışlarla zaman adımları ıslak olarak kabul edilir. Eşlik genellikle araç duyarlılığına (örneğin, 0.1 mm h -1, fikre-bucket ölçümleri için) veya uygulama özellikle kriterleri (örneğin, tropikal iklimlerdeki olayları etkileyen uyarılar için).

İstatistiksel Modeller

İstatistiksel yöntemler, yağışın dağılımını modellemektedir ve olayları rejimdeki kaydırıcılar veya değişim olarak tanımlar. Örneğin, hareketli ortalama yoğunluk, herhangi bir yağışın altında beklenen değeri karşılaştırabilir; “soruşturma süresi” ve tahmin etme, iklimsel dağıtımın yüzde 95'ini olaylar olarak tanımlar. Gizli Markov modelleri özellikle zaman serisini gizli bir şekilde algılamayı gerektirir, ancak gizli devletlerin bir dizisini gerektirir (örneğin, “kuruluş”, “yol”, “ağır yağmuru” ve büyük olasılıkla aralığının yüzde 95'ini tahmin eder.

Makine Öğrenme

Süpervizit öğrenme yöntemleri olayı ikili sınıflandırma problem olarak algılamayı öğretir: zaman adımlarının bir penceresine izin verin, bir olayın merkezinin bir parçası olup olmadığını tahmin edin. Özellikler yaygın olarak mevcut ve en kötü yağış değerleri, radar reflektif gradients ve uydu bantları (göremez, kızılötesi sınıflayıcılar) uzun zamanlayıcılar, rastgele ormanlar ve giderek artan, derin sinir ağları. Convolutional sinir ağları (CNNs) yüksek çözünürlükte belirlenen verileri doğrulayıcılar için yüksek çözünürlükte belirlenen verileri doğrulamaktadır.

Hibrit Yaklaşımlar

Hibrit yöntemler eşiğine ve makine öğrenme yaklaşımlarının güçlerini birleştirir. Örneğin, bir istatistiksel model, o zaman bir sınıflayıcı tarafından yanlış alarmlar azaltmak için bir sınıflayıcı tarafından geliştirilebilir. Alternatif olarak, eş tabanlı bir algoritma, parametrelerini geçerli bir sisteme optimize etmek için optimize edebilir.Böyle kombinasyonlar genellikle kar, mix).

Geçerlilik Metrikleri ve Değerlendirme

Rigorous değerlendirme otomatik algılamaya güvenmek önemlidir. metriklerin seçimi, analizin kategorik (event vs. non-event) veya sürekli (örneğin, olay) süresi Standart kategorik tablodan elde edilen ölçümler şunlardır:

  • [FONT:0)Probability of Tespit (POD)) = hit / (hitler + özler) – gözlemlenen olayların doğru şekilde tanımlanmasını ölçer.
  • [FONT:0]False Alarmı Oranı (FAR)) = sahte alarmlar / (hitler + yanlış alarmlar) - tespit edilen olayların çoğunu ele alır.
  • [FONT=0)Critical Success Index (CSI)) = hit / (hitler + yanlış alarmlar) – hem hataları birleştirir ve nadir olaylar için uygundur.
  • [FONT=0)Heidke Skill Score (HSS)) – rastgele şans anlaşması için hesaplar.

Olay zamanlaması için, tespit edilen ve referans başlangıç / zaman arasındaki mutlak hata (MAE) kullanılır. Olay süresi oranı (tatected/observed) sistematik önyargılar ortaya çıkarır. Sadece genel performans değil, aynı zamanda olay yoğunluğu, süre ve sezon boyunca da stratification. Örneğin, bir algoritma ağır fırtınalar üzerinde iyi performans gösterebilir, ancak drizzle için kabul edilebilir olabilir, drizzle için kabul edilebilir ancak ekolojik uygulamalar için değil.

Meydanlar

Algoritma ilerlemelerine rağmen, operasyonel dağıtımda birkaç zorluk devam ediyor:

Data Heterogeneity

Birden fazla kaynaktan veri toplama (gauge, radar, uydu) karar verme, doğruluk ve örnek zamansallıkların ortaya çıkmasını sağlar. Buna birleşik bir algılama çerçevesine karşı koymak, açık belirsizlik yayılımı gerektirir. Örneğin, uydu ürünleri genellikle çok hafif yağış, bir bölgede sistematik olay ihmaline yol açar.

Spasal Heterogeneity

Precipitation iklimology, kısa mesafeler üzerinde dramatik bir şekilde değişir - veyaografik geliştirme, göl etkileri, kentsel ısı adaları. Orta sınıf bir kıta iklimi için bir algoritma ayarlanabilir bir kıyı manastır rejiminde başarısız olabilir. Bölgeye özgü parametreleri öğrenen veya geofiziksel kovarileri (elesyon, kıyıya mesafe) içeren Adaptif bir algoritma geliştirmektedir.

Gerçek zamanlı İşleme Constraints

Taş uyarı sistemleri, bu ihtiyacı karşılamak için birkaç dakika içinde tespit gerektirir, ancak yüksek gecikmeli (örneğin, tam gün verilerinin iklimsel yüzdeler hesaplaması ve model sıkıştırma tekniklerinin talep edilebilir olması gerekir. Edge bilgisayar öğrenme ve istatistik modelleri henüz yüksek gecikmeli olan hidrolojide yaygın değildir.

Event Ayrılığı ve Yorumlama

Bir olayın sona erdiğini ve başka bir şeyin doğal olarak belirsiz olduğunu tanımlamak. Tek bir fırtına, birkaç dakika içinde ayrılmış ağır patlamalar üretebilir, bu da birden fazla olay olarak gruplanabilir veya birden fazla olayla bölünebilir. Kuru pencere süresi seçimi doğrudan olay frekansı istatistiklerine yol açabilir; Kuru pencere uygulamayı yansıtacak şekilde yansıtmalıdır - su dengesi çalışmaları için uzun.

Vaka Çalışmaları ve Uygulamaları

Otomatik olay dedektörleri çeşitli bağlamlarda dağıtılır. Avustralya'da kullanılan Ulusal Aeronautics ve Uzay Yönetimi (NASA) GPM için Entegre Multi-satellitE Retrievals (IMERG) otomatik olarak şiddetli fırtınalar topluluklarının ([Dönetici) raporlarını tespit etmek ve uzun vadeli bir iklimlojiyi izlemek için çok-zamanlı bir teleskopu çalışır.

Bir başka önemli uygulama, yüksek çözünürlüklü ölçüm ağlarının (örneğin, 0,5 dakikalık örnekleme) yılda milyonlarca okuma üretiyor. Otomatik algoritmalar, manuel tedavi olmadan aşırı yağış tasarımı için aşırılık analizlerini sağlar. [HyRA) aracı, bu yüksek frekanslı kayıtlardan gelen olayları karakterize etmek için bir kombinasyon kullanır ([Döneticiler:0)

Future Yol Tarifi

Bir sonraki yağış tespit algoritmalarının nesli muhtemelen birkaç yenilik içerecektir:

  • [FONT=0) Çok kaynak veri füzyon, Bayesian yöntemlerini veya yerel olarak farklı kararları ele alan derin sinir ağları kullanarak.
  • [FONT:0)Physics-informasyon makinesi öğrenme, koruma yasalarına saygı göstermek için, gerçekçi olmayan olay sınırlarını azaltmak.
  • [FONT:0]Kendi denetimli öğrenme[[Dönetici:0) Büyük unlabeled datasets üzerinde eğitim öncesi modeller için, o zaman minimum manuel olaylarla iyi-tune - etiketler eksik bölgeler için kritik.
  • [FONT:0) Gerçek zamanlı adaptasyon[[[Dönetici:0) Son iklim trendlerine dayanan uçlara uyum sağlayan algoritmaları (örneğin, 30 yıllık normal pencereleri) istasyon dışı iklim altında performans korumak için.
  • [FONT=0) Açıklanabilir AI[[DÜDÜDÜDÜDÜDÜDÜDÜDÜSÜŞÜNÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞ

WMO'nun Global Precipitation Climatology Centre gibi uluslararası girişimler, organizasyondaki olay tanımlarına ve geçerlilik kriterlerine yönelik standartlaştırmaya yönelik olarak çalışmaktadır.Bu tür harmonizasyon, küresel olarak operasyonel hidrokarbon algılamanın benimsenmesini hızlandıracaktır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Otomatik yağış tespit algoritmaları modern hidrolojik çalışmalar için vazgeçilmezdir, objektif, ölçeklenebilir ve yağış verilerinin zamanında analizine olanak sağlar.Süresel olarak öğrenme yöntemlerinden her yaklaşım farklı avantajlar sunar. Yöntem seçimi, aşırılık, kalibre edici modeller ve özel araştırma veya operasyonel hedef için daha da kritik hale gelecektir.