Neues MP-MoE-Modell verbessert Regenvorhersage in Vietnam deutlich

Regenvorhersagen in tropischen Gebieten wie Vietnam bleiben ein hartes Problem, weil die komplexe Topografie und die starke convective Instabilität die Genauigkeit herkömmlicher numerischer Wettervorhersagemodelle (NWP) stark einschränken.

Um diese Schwächen zu kompensieren, setzen Meteorologen häufig datengetriebene Nachbearbeitung ein. Doch die meisten bestehenden Verfahren nutzen punktweise Zielfunktionen, die bei kleinen zeitlichen Verschiebungen zu einer „doppelten Bestrafung“ führen und die Vorhersagequalität beeinträchtigen.

In der neuen Studie wird das Matrix Profile‑guided Mixture of Experts (MP‑MoE) vorgestellt. Dieses Modell kombiniert die klassische Intensitätsverlustfunktion mit einem strukturbewussten Matrix‑Profile‑Ziel, das Ähnlichkeiten auf Unterschlüssel‑Ebene statt auf einzelnen Zeitpunkten misst. Dadurch wird die Auswahl der Experten verfeinert und die übermäßige Bestrafung durch Phasenverschiebungen reduziert.

Die Leistung von MP‑MoE wurde an Niederschlagsdaten zweier großer Flussbasins in Vietnam getestet, wobei Vorhersagen für 1‑Stunden‑Intensität sowie für akkumulierte Niederschläge über 12, 24 und 48 Stunden bewertet wurden. Die Ergebnisse zeigen, dass MP‑MoE die rohe NWP‑Vorhersage und herkömmliche Lernmethoden in Bezug auf den Mean Critical Success Index (CSI‑M) für schwere Regenereignisse deutlich übertrifft und gleichzeitig die Dynamic Time Warping (DTW) Werte stark senkt. Das Modell erfasst Spitzenwerte präziser und bewahrt die morphologische Integrität von Sturmtagen.

Diese Fortschritte deuten darauf hin, dass MP‑MoE die Zuverlässigkeit von Regenvorhersagen in Vietnam erheblich steigern kann, was wiederum die Vorbereitung auf extreme Wetterereignisse verbessert und potenziell auch in anderen tropischen Regionen Anwendung finden könnte.