Precipitation Nowcasting Datasets

用于降水短时预报（0-6小时）的ConvLSTM和TrajGRU模型训练和测试的数据集，包含1560和779个序列。

A dataset for training and testing ConvLSTM and TrajGRU models for short-term precipitation forecasting (0–6 hours), which contains 1560 and 779 sequences.

原始信息汇总

数据集概述

摘要

• 实现了最先进的ConvLSTM和TrajGRU模型，用于利用高空间分辨率（4 km x 4 km）和高时间分辨率（15分钟）的卫星数据进行降水预测。
• 构建了两个数据集，分别包含1560个和779个序列，用于训练和测试。
• 在2小时提前时间内实现了3.69 mm/hr的均方根误差（RMSE），在4小时提前时间内实现了8.06 mm/hr的均方根误差（RMSE）。

报告与展示

• 报告: Final_Report.pdf
• 测试结果样例:
• 海报展示:

搜集汇总

数据集介绍

构建方式

该数据集的构建基于先进的ConvLSTM和TrajGRU模型，通过利用空间分辨率为4公里×4公里、时间分辨率为15分钟的卫星数据，形成了用于训练和测试的两个数据集，分别包含1560个和779个序列。此构建方法旨在捕捉复杂的时空动态，为短时风暴预测提供数据支撑。

使用方法

使用该数据集时，用户可以依据所提供的ConvLSTM和TrajGRU模型，对降水进行短至6小时的预测。数据集通过提供的Final_Report.pdf和Sample Test Result GIFs，详细展示了模型预测的目标与实际结果的对比，方便用户进行模型评估和结果验证。

背景与挑战

背景概述

Precipitation Nowcasting Datasets数据集是在气候变迁背景下，为了提升短时风暴预测（0–6小时）的准确性而创建的。该数据集由研究团队于近年开发，以评估ConvLSTM和TrajGRU等先进深度学习模型在卫星数据上的表现。研究聚焦于巴基斯坦信德省这一气象基础设施匮乏的区域，旨在提高全球范围内的降水预报能力。数据集包含1560个训练序列和779个测试序列，通过使用高分辨率卫星数据，实现了较短预报时间内的较高预测精度。

当前挑战

该数据集在构建和应用过程中面临的挑战包括：1)如何克服传统数值天气预测和雷达外推法在短尺度上准确性的不足；2)深度学习模型在处理卫星数据时的泛化能力和计算效率问题；3)在缺乏气象基础设施的地区，如何利用有限的资料进行有效的降水预报。此外，数据集的构建还需解决高分辨率卫星数据的获取、处理和存储问题，以及如何确保模型在不同气候区域和不同季节条件下的鲁棒性。

常用场景

经典使用场景

在应对短时风暴预测的迫切需求中，Precipitation Nowcasting Datasets数据集应运而生，其经典使用场景在于，通过卫星数据的高空间分辨率和时间分辨率，应用ConvLSTM和TrajGRU模型进行降水的实时预测，为气象预警提供强有力的数据支撑。

解决学术问题

该数据集有效解决了传统数值天气预测和雷达外推方法在短尺度上精度不足、计算繁重的问题，同时克服了雷达全球覆盖有限的局限性，特别是在气象基础设施匮乏的地区，如巴基斯坦的信德省，对于提升全球降水预报能力具有重要意义。

实际应用

在实际应用中，该数据集的应用不仅能够提高短时强天气的预警准确率，而且对于农业灌溉、城市排水系统设计、洪水预防等领域的决策提供了科学依据。

数据集最近研究

最新研究方向

在短时风暴预测领域，降水预报作为及时发布严重天气警告的关键环节，其准确性至关重要。该数据集通过应用先进的深度学习模型ConvLSTM和TrajGRU，利用具有较高空间分辨率和时间分辨率的卫星数据，为提高降水预报精度提供了新的研究方向。研究结果表明，在2小时和4小时的预报时段内，模型分别实现了3.69毫米/小时和8.06毫米/小时的均方根误差（RMSE），显著提升了预报质量。该研究不仅针对巴基斯坦信德省这一气象基础设施匮乏区域的需求，也助力于全球降水预报能力的提升，对于应对气候变化带来的预报挑战具有深远影响。