Neues Diffusionsmodell liefert hochauflösende Regenvorhersagen für die USA

Eine neue Studie präsentiert ein Diffusions-basiertes Deep‑Learning‑Framework, das die Genauigkeit von Niederschlagsvorhersagen in den Vereinigten Staaten deutlich verbessert. Durch die Kombination modernster KI‑Methoden mit hochauflösenden Daten aus dem Multi‑Radar Multi‑Sensor‑System (MRMS) und dem High‑Resolution Rapid Refresh‑System (HRRR) liefert das Modell Vorhersagen mit einer räumlichen Auflösung von nur 1 km.

Das Forschungsdesign vergleicht drei Residual‑Vorhersage‑Strategien, die sich ausschließlich in ihren Eingabedaten unterscheiden: (1) ein vollständig datengetriebenes Modell, das ausschließlich auf historischen MRMS‑Beobachtungen basiert; (2) ein Korrekturmodell, das ausschließlich HRRR‑Vorhersagen nutzt; und (3) ein hybrides Modell, das MRMS‑Beobachtungen mit ausgewählten HRRR‑Variablen kombiniert. Durch diese systematische Gegenüberstellung wird klar, wie jede Datenquelle zur Vorhersagegenauigkeit beiträgt.

Die Vorhersagen erstrecken sich von 1‑bis‑12‑Stunden‑Lead‑Times und werden mithilfe autoregressiver Rollouts erzeugt. In allen Zeitfenstern übertrifft das KI‑Framework die HRRR‑Baseline sowohl in pixel‑weisen als auch in spatiostatistischen Metriken. Das hybride Modell erzielt die höchste Genauigkeit bei den kürzesten Vorhersagezeiten, während das HRRR‑Korrekturmodell bei längeren Lead‑Times die beste Leistung zeigt und die hohe Vorhersageskill bis zu 12 Stunden beibehält.

Zur Bewertung der Zuverlässigkeit integriert die Studie kalibrierte Unsicherheitsquantifizierung, die es ermöglicht, die Vertrauenswürdigkeit der Vorhersagen zu messen. Diese Kombination aus hoher Auflösung, robusten Metriken und quantifizierter Unsicherheit macht das neue Framework zu einem wichtigen Werkzeug für das hydrometeorologische Risikomanagement, insbesondere bei der Vorhersage extremer Regenereignisse, die zu Überschwemmungen und Infrastrukturschäden führen können.