DOI: https://doi.org/10.1017/eds.2026.10041
تاريخ النشر: 2026-01-01
المؤلف: Antônio Catão وآخرون
الموضوع الرئيسي: قياس وتحليل الهطول
نظرة عامة
يقدم هذا القسم TUPANN (شبكة النمذجة القابلة للتحويل والمتوافقة مع الفيزياء للتنبؤات الفورية)، وهو نموذج جديد يعتمد فقط على الأقمار الصناعية مصمم لتوقع هطول الأمطار على المدى القصير، وخاصة في المناطق التي تفتقر إلى شبكات رادار الطقس الكثيفة. يستخدم TUPANN بيانات من القمر الصناعي GOES-16 ويعتمد على بنية فريدة تقوم بتفكيك التوقعات إلى مكونات ذات معنى فيزيائي. يتضمن ذلك مشفر-مفكك متغير لاستنتاج مجالات الحركة والشدة، وMaxViT مشروط بوقت القيادة لتطوير الحالة الكامنة، ومشغل انسيابي قابل للتفريق لإعادة بناء الإطارات المستقبلية. تم تقييم TUPANN عبر أربعة مناخات متميزة (ريو دي جانيرو، ماناوس، ميامي، لا باز) في أوقات قيادة تتراوح بين 10-180 دقيقة، حيث يظهر أداءً متفوقًا مقارنةً بتقنيات التدفق البصري، والتعلم العميق، والمعايير الهجينة، خاصة عند عتبات هطول الأمطار الأعلى.
تؤكد بيان الأثر على أهمية النموذج في معالجة الزيادة المتكررة والشدة للأحداث المطرية الشديدة، خاصة في المناطق التي تعاني من بنية تحتية رادارية محدودة. من خلال الاعتماد فقط على صور الأقمار الصناعية الجغرافية المتاحة عالميًا واتباع نهج متوافق مع الفيزياء، يوفر TUPANN تنبيهات فورية للعواصف والفيضانات بمعدل تحديث يبلغ 10 دقائق. تعزز قدرته على نقل المهارات عبر مناخات متنوعة وإنتاج مجالات حركة قابلة للتفسير إدارة الطوارئ والعمليات الحضرية، بينما يعمل كأداة مكملة للأنظمة الرادارية الحالية ونماذج التنبؤ العددي. بشكل عام، يمثل TUPANN تقدمًا كبيرًا في ذكاء الطقس التشغيلي، مما يعزز الوصول العادل إلى قدرات التنبؤ الحيوية.
مقدمة
تسلط المقدمة الضوء على الزيادة المتكررة والشدة للأحداث المطرية الشديدة بسبب تغير المناخ، مما يزيد من خطر الفيضانات والانهيارات الأرضية في المناطق الضعيفة (مارفيل وآخرون، 2023). يعد التنبؤ الفوري – توقع الظروف الجوية ضمن إطار زمني مدته 6 ساعات بدقة مكانية عالية – أمرًا ضروريًا للحصول على تحذيرات مبكرة في الوقت المناسب وإدارة الكوارث. على الرغم من التقدم في نمذجة الطقس العددية، فإن دقتها المحدودة وزمن التأخير تعيق دقة توقعات هطول الأمطار على المدى القصير. تقدم طرق التنبؤ الفوري المعتمدة على الرادار ملاحظات تفصيلية ولكنها غالبًا ما تعتمد على شبكات رادار كثيفة ومصانة جيدًا، والتي تفتقر إلى العديد من المناطق، بما في ذلك ريو دي جانيرو، حيث تزيد التحديات الطبوغرافية والبنية التحتية غير الكافية من خطر الكوارث المرتبطة بالفيضانات.
ستتناول الأقسام التالية من الورقة بنية TUPANN ومكوناته (القسم 4)، وتوضح التصميم التجريبي، والمعايير، والنتائج (القسم 5)، وتناقش القيود والاتجاهات البحثية المستقبلية (القسم 6)، وتقدم استنتاجًا (القسم 7).
طرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة في نموذجهم المقترح لتوقع هطول الأمطار، TUPANN، الذي يبني على أساس تقنيات التنبؤ الفوري العددية. تاريخيًا، تطورت تقنيات التنبؤ الفوري لهطول الأمطار من طرق الاستقراء اللاغرانجية إلى توقعات احتمالية قائمة على التجميع أكثر تعقيدًا، كما يتضح من أدوات مثل PySTEPS. على الرغم من أن هذه التقدمات فعالة، إلا أنها غالبًا ما تعاني من انخفاض دقة التوقعات على مدى أوقات قيادة طويلة وقد تكون مكلفة حسابيًا.
يستخدم TUPANN سلسلة من صور الأقمار الصناعية السابقة، المشار إليها بـ \( X_{T:0} \in \mathbb{R}^{(T+1) \times n \times n} \)، لتوقع مجالات هطول الأمطار المستقبلية \( \hat{X}_{1:T_f} \in \mathbb{R}^{T_f \times n \times n} \). يتكون النموذج من مكونين رئيسيين: مشفر-مفكك متغير (VED) يلتقط الديناميات الكامنة لمجالات هطول الأمطار تحت إشراف التدفق البصري، ومحول بصري (MaxViT) يقوم بتنقيح هذه التمثيلات الكامنة لضمان توافق مجالات الحركة والشدة المتوقعة مع الملاحظات الفعلية. عملية التدريب متسلسلة، حيث يتم أولاً تحسين VED لاستنتاج مجالات الحركة والشدة الأولية، تليها تثبيت أوزانه لتدريب MaxViT. تم تصميم هذه البنية لتتعلم بكفاءة ديناميات تطور هطول الأمطار واستقراء هذه الديناميات على مدى أفق التنبؤ الأطول.
نتائج
في قسم النتائج، يتم تقييم أداء TUPANN مقابل أربعة معايير للتنبؤ الفوري عبر مناطق مناخية مختلفة باستخدام مقاييس متعددة. يحتل TUPANN باستمرار المرتبة الأولى أو الثانية في درجات مؤشر النجاح الحرج (CSI)، محققًا أعلى الدرجات في ريو دي جانيرو عبر جميع العتبات، بينما يؤدي أيضًا بشكل جيد في ميامي، ماناوس، ولا باز. على الرغم من أن Earthformer وNowcastNet يظهران نتائج تنافسية عند العتبات المنخفضة، إلا أن TUPANN يتفوق في توقع هطول الأمطار الشديد، خاصة عند العتبات الأعلى. يتم توضيح ميزة النموذج بشكل أكبر من خلال متوسط درجات CSI على مدى أوقات القيادة، حيث يحافظ TUPANN على أداء متفوق، خاصة في أوقات القيادة المبكرة بسبب إشرافه الواضح على الحركة.
تشير دراسات الإزالة إلى أن بنية TUPANN، التي تشمل مجالات الحركة ونموذج هجين قائم على الفيزياء والتعلم العميق، تعزز قدراته التنبؤية. عند اختبارها على مجموعة بيانات IMERG لريو دي جانيرو، يتفوق TUPANN على المعايير في جميع العتبات دون تجميع ويظل تنافسيًا مع النماذج التوليدية عند العتبات المنخفضة عند تطبيق التجميع. يظهر النشر التشغيلي لـ TUPANN كفاءته، حيث يعالج بيانات GOES-16 في أقل من ثلاث دقائق، مما يجعله مناسبًا للتنبؤ الفوري في الوقت الحقيقي. على الرغم من اعتماده على بيانات الأقمار الصناعية المحددة، يتم ملاحظة قدرة TUPANN على التكيف مع مناطق أخرى، إلى جانب القيود مثل الحاجة إلى حسابات إضافية لإشراف التدفق البصري والتحديات في دمج تحسينات قائمة على GAN.
مناقشة
تسلط المناقشة الضوء على التقدم في نماذج التعلم العميق (DL) لتوقع هطول الأمطار، مع التأكيد على تفوقها على الطرق العددية التقليدية من حيث الدقة، وقابلية التوسع، وسرعة الاستدلال. وضعت النماذج المبكرة مثل ConvLSTM وPredRNN الأساس من خلال التقاط الاعتماد الزمني المكاني في بيانات الرادار، بينما قدمت البنى الأحدث مثل Earthformer وRainformer آليات مبتكرة مثل الانتباه المكعب والانتباه الذاتي متعدد الرؤوس لتعزيز استخراج الميزات. ومع ذلك، غالبًا ما تنتج النماذج الحتمية توقعات سلسة للغاية، مما يحفز تطوير نماذج توليدية مثل GANs والنهج القائم على الانتشار، والتي تهدف إلى التقاط التباين الدقيق بشكل أفضل. من الجدير بالذكر أن PreDiff وCasCast ظهرت كطرق واعدة، حيث تدمج التناسق الفيزيائي في عملياتها التوليدية، على الرغم من أنها لا تزال تواجه تحديات مثل تكاليف الاستدلال العالية والضوضاء في المخرجات.
يناقش القسم أيضًا دمج التكييف الفيزيائي في نماذج DL لتحسين القابلية للتفسير وضمان توقعات قابلة للتصديق من الناحية الفيزيائية. تمثل تقنيات مثل الشبكات العصبية المدعومة بالفيزياء (PINNs) ونماذج مثل PID-GAN وFourCastNet هذا النهج، الذي يعزز دوال الخسارة بمصطلحات تفرض الالتزام بالمعادلات الفيزيائية الحاكمة. يبني العمل الحالي على هذه المبادئ من خلال فرض معادلة الاستمرارية بشكل صريح، مما يحقق مهارة تنبؤية تنافسية مع تعزيز القابلية للتفسير. بالإضافة إلى ذلك، يتم استكشاف استخدام بيانات الأقمار الصناعية لتوقع هطول الأمطار، حيث تستفيد الدراسة من مجموعات بيانات GOES-R وIMERG لتدريب وتقييم النموذج المقترح، TUPANN. يتم تقييم أداء النموذج عبر مناخات مختلفة وشدات هطول الأمطار، مما يظهر قابليته للتوسع وفعاليته في إنتاج توقعات دقيقة.
DOI: https://doi.org/10.1017/eds.2026.10041
Publication Date: 2026-01-01
Author(s): Antônio Catão et al.
Primary Topic: Precipitation Measurement and Analysis
Overview
The section presents TUPANN (Transferable and Universal Physics-Aligned Nowcasting Network), a novel satellite-only model designed for short-term precipitation forecasting, particularly in areas lacking dense weather-radar networks. TUPANN utilizes data from the GOES-16 satellite and employs a unique architecture that decomposes forecasts into physically meaningful components. This includes a variational encoder-decoder for inferring motion and intensity fields, a leadtime-conditioned MaxViT for evolving the latent state, and a differentiable advection operator for reconstructing future frames. Evaluated across four distinct climates (Rio de Janeiro, Manaus, Miami, La Paz) at lead times of 10-180 minutes, TUPANN demonstrates superior performance compared to optical-flow, deep learning, and hybrid baselines, particularly at higher precipitation thresholds.
The impact statement emphasizes the model’s significance in addressing the increasing frequency and intensity of extreme rainfall events, especially in regions with limited radar infrastructure. By relying solely on globally available geostationary satellite imagery and employing a physics-aligned approach, TUPANN provides timely storm and flood alerts with a 10-minute refresh rate. Its ability to transfer skills across diverse climates and produce interpretable motion fields enhances emergency management and urban operations, while serving as a complementary tool to existing radar and numerical prediction systems. Overall, TUPANN represents a significant advancement in operational weather intelligence, promoting equitable access to critical forecasting capabilities.
Introduction
The introduction highlights the increasing frequency and intensity of extreme precipitation events due to climate change, which heightens the risk of floods and landslides in vulnerable regions (Marvel et al., 2023). Effective nowcasting—forecasting atmospheric conditions within a 6-hour timeframe at high spatial resolution—is essential for timely early warnings and disaster management. Despite advancements in numerical weather prediction, its finite resolution and latency hinder the accuracy of short-term precipitation forecasts. Radar-based nowcasting methods offer detailed observations but often depend on dense and well-maintained radar networks, which are lacking in many areas, including Rio de Janeiro, where topographic challenges and inadequate infrastructure exacerbate the risk of flood-related disasters.
The subsequent sections of the paper will elaborate on the TUPANN architecture and its components (Section 4), outline the experimental design, baselines, and results (Section 5), discuss limitations and future research directions (Section 6), and provide a conclusion (Section 7).
Methods
In this section, the authors describe the methods employed in their proposed precipitation forecasting model, TUPANN, which builds on the foundation of numerical nowcasting techniques. Historically, precipitation nowcasting has evolved from Lagrangian extrapolation methods to more sophisticated ensemble-based probabilistic forecasts, exemplified by tools like PySTEPS. These advancements, while effective, often suffer from diminished forecast accuracy over extended lead times and can be computationally intensive.
TUPANN utilizes a sequence of past satellite images, denoted as \( X_{T:0} \in \mathbb{R}^{(T+1) \times n \times n} \), to predict future precipitation fields \( \hat{X}_{1:T_f} \in \mathbb{R}^{T_f \times n \times n} \). The model consists of two main components: a variational encoder-decoder (VED) that captures the latent dynamics of precipitation fields under optical flow supervision, and a visual transformer (MaxViT) that refines these latent representations to ensure that the predicted motion and intensity fields align closely with actual observations. The training process is sequential, first optimizing the VED to infer initial motion and intensity fields, followed by fixing its weights to train the MaxViT. This architecture is designed to efficiently learn both the dynamics of precipitation evolution and to extrapolate these dynamics over longer forecast horizons.
Results
In the results section, the performance of TUPANN is evaluated against four nowcasting benchmarks across various climatic regions using multiple metrics. TUPANN consistently ranks first or second in Critical Success Index (CSI) scores, achieving the highest scores in Rio de Janeiro across all thresholds, while also performing well in Miami, Manaus, and La Paz. Although Earthformer and NowcastNet show competitive results at lower thresholds, TUPANN excels in forecasting extreme rainfall, particularly at higher thresholds. The model’s advantage is further illustrated through mean CSI scores over lead times, where TUPANN maintains superior performance, especially at early lead times due to its explicit motion supervision.
Ablation studies indicate that TUPANN’s architecture, which includes motion fields and a physics-DL hybrid model, enhances its predictive capabilities. When tested on the IMERG dataset for Rio de Janeiro, TUPANN outperforms baselines at all thresholds without pooling and remains competitive with generative models at lower thresholds when pooling is applied. The operational deployment of TUPANN demonstrates its efficiency, processing GOES-16 data in under three minutes, making it suitable for real-time nowcasting. Despite its reliance on specific satellite data, TUPANN’s adaptability to other regions is noted, along with limitations such as the need for additional computation for optical-flow supervision and the challenges in integrating GAN-based enhancements.
Discussion
The discussion highlights the advancements in deep learning (DL) models for precipitation nowcasting, emphasizing their superiority over traditional numerical methods in terms of accuracy, scalability, and inference speed. Early models like ConvLSTM and PredRNN laid the groundwork by capturing spatiotemporal dependencies in radar data, while newer architectures such as Earthformer and Rainformer have introduced innovative mechanisms like Cuboid Attention and multi-head self-attention to enhance feature extraction. However, deterministic models often produce overly smooth forecasts, prompting the development of generative models like GANs and diffusion-based approaches, which aim to better capture fine-scale variability. Notably, PreDiff and CasCast have emerged as promising methods, incorporating physical consistency into their generative processes, although they still face challenges such as high inference costs and noise in outputs.
The section also discusses the integration of physical conditioning in DL models to improve interpretability and ensure physically plausible predictions. Techniques like Physics-Informed Neural Networks (PINNs) and models such as PID-GAN and FourCastNet exemplify this approach, which augments loss functions with terms that enforce adherence to governing physical equations. The current work builds on these principles by explicitly enforcing the continuity equation, achieving competitive predictive skill while enhancing interpretability. Additionally, the use of satellite data for precipitation nowcasting is explored, with the study leveraging GOES-R and IMERG datasets to train and evaluate the proposed model, TUPANN. The model’s performance is assessed across various climates and precipitation intensities, demonstrating its scalability and effectiveness in generating accurate forecasts.