Neues Verfahren verbessert Niederschlagsvorhersage durch Mittelwertkorrektur

In der regionalen Wettervorhersage steht die Niederschlagsvorhersage im Fokus, weil sie präzise, hochauflösende Prognosen liefert. Dabei nutzt man aktuelle Radaraufnahmen, um die Niederschlagsentwicklung in kurzer Zeit zu prognostizieren. Ein weit verbreitetes Deep‑Learning‑Paradigma dafür ist die kaskadierte Architektur, die zunächst einen deterministischen Teil zur Vorhersage des Mittelwerts nutzt und anschließend ein probabilistisches Modell, das lokale Details erzeugt.

Allerdings vernachlässigen viele bestehende Ansätze die Wechselwirkung zwischen dem systematischen Shift des deterministischen Mittelwerts und der lokalen Stochastik. Dieser Shift verfälscht die probabilistischen Vorhersagen und führt zu Fehlern bei der Niederschlagsverteilung und Intensität, besonders bei längeren Vorhersagezeiten. Um dieses Problem zu lösen, wurde das neue Framework RectiCast entwickelt.

RectiCast arbeitet in zwei Stufen: Zunächst erzeugt ein deterministisches Modell den Posterior‑Mean. Anschließend lernt ein spezieller Rectifier die Verteilungsschicht und liefert einen korrigierten Mittelwert. Ein separater Generator modelliert dann die lokale Stochastik, basierend auf diesem korrigierten Mittelwert. Durch diese klare Trennung der Aufgaben verbessert RectiCast die Genauigkeit deutlich.

Experimentelle Tests auf den Datensätzen SEVIR und MeteoNet zeigen, dass RectiCast die Leistung gegenüber aktuellen Spitzenmethoden signifikant steigert. Damit bietet das Verfahren einen wichtigen Fortschritt für die Echtzeit‑Niederschlagsvorhersage und kann die Wetterwarnungen in der Praxis verbessern.