Uusi koneoppimista hyödyntävä menetelmä kuurosateen lähihetkiennustamiseen

Sateen lähihetkiennustamisella tarkoitetaan lyhyitä, alle kolmen tunnin päähän ulottuvia ennusteita. Ilmakehän fysiikkaa kuvaavat numeeriset säämallit soveltuvat huonosti tähän tarkoitukseen. Niiden paikallinen tarkkuus ja useiden tuntien päivitysväli eivät ole riittäviä kaupunkihydrologian sovelluksiin, joissa tarvitaan nopeasti päivittyviä paikallisia sade-ennusteita, esimerkiksi 1 kilometrin kokoisille alueille 5 minuutin välein. Tästä syystä vaihtoehtoisille koneoppimismenetelmiin perustuville sateen lähihetkiennustemalleille on selkeä käyttötarve.  

Tutkimuksessa kehitettiin uusi malli sateen lähihetkiennustamiseen säätutkamittausten perusteella. Kehitetyssä mallissa sateen liike erotetaan sateen voimakkuuden kehityksestä advektioyhtälön avulla. Mallissa sateen liike ennustetaan säätutkamittausten aikasarjasta lasketun liikekentän avulla, ja sateen voimakkuuden aikakehitys, eli sateen voimistuminen ja heikkeneminen, ennustetaan koneoppimismenetelmällä. Kehitetty malli soveltuu erityisesti voimakkaan ja nopeasti kehittyvän kuurosateen ennustamiseen.  

Kehitetyn mallin vertailu olemassa oleviin lähihetkiennustemalleihin Ilmatieteen laitoksen ylläpitämän Suomen säätutkaverkon mittauksilla osoittaa, että ennusteiden luotettavuutta voidaan parantaa erottamalla kuurosateen voimakkuuden aikakehityksen mallinnus sateen liikkeen mallinnuksesta. Sateen liike voidaan ennustaa luotettavasti mittausaikasarjasta lasketun liikekentän avulla. Sen sijaan sateen voimakkuuden aikakehitystä on vaikea ennustaa pelkän säätutkan mittausaikasarjan avulla. Koska koneoppimismallien ennustuskyky on rajallinen, koneoppimisen käyttäminen vain sateen voimakkuuden aikakehityksen ennustamiseen parantaa ennusteiden luotettavuutta verrattuna koneoppimismalliin, jossa vastaavaa erottelua sateen liikkeen ja voimakkuuden aikakehityksen välillä ei tehdä.   

Tutkimus tehtiin osana Suomen Akatemian rahoittamaa Physics-Informed Neural Networks for Radar-Based Precipitation Nowcasting (PINCAST) -hanketta. Vuosille 2021–2025 rahoitetun hankkeen tavoitteena on kehittää uusia sateen lähihetkiennustemalleja, jotka yhdistävät fysikaalista tietoa sateen kehityksestä koneoppimismalleihin.  

Lisätiedot:  

Tutkija Jenna Ritvanen, Ilmatieteen laitos, puh. 050 4649820, jenna.ritvanen@fmi.fi    

Tieteellinen artikkeli on saatavilla IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing -tiedelehdessä.    

Viite: Ritvanen, J., Harnist, B., Aldana, M., Mäkinen, T., and Pulkkinen, S. (2023): Advection-FreeConvolutionalNeural Network for ConvectiveRainfallNowcasting, IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing, 16, 1654–1667, https://doi.org/10.1109/JSTARS.2023.3238016.