Four-hour thunderstorm nowcasting using deep diffusion models of satellite

该段落介绍了对于雷暴（对流）天气的预测对于自然和社会都具有极高的破坏性，但是利用基于人工智能的方法可以实现对于雷暴天气的有效预测。作者提出了一种基于卫星的深度扩散模型（DDMS）来建立一个基于人工智能的对流现象预测系统。该模型利用扩散过程有效地模拟了复杂的对流云的时空演化模式，从而显著提高了预测的领先时间。同时，它利用静止卫星的亮温数据，从而实现了全球范围的预测覆盖。在长期测试和基于“风云四号A”卫星的客观验证中，该系统首次实现了有效的对流现象预测，最长达4小时，覆盖面积广达约2000万平方公里，精度显著，分辨率高（15分钟，4公里）。相比现有模型，它在对流现象预测方面达到了新的高度。在应用方面，该系统运行高效（8分钟内预测4小时的对流现象），且高度可转移，具有与多个卫星协作进行全球对流现象预测的潜力。此外，作者的研究结果强调了扩散模型在对流云预测中的显著能力，以及人工智能技术赋能静止卫星数据的重要价值。

提高暴雨预报的准确率和覆盖范围，使其满足灾害应急响应的需要。

使用基于深度扩散模型的卫星数据进行人工智能暴雨预报，利用扩散过程模拟复杂的云团时空演化，实现长达4小时的预报，覆盖面积达2000万平方公里，预报精度和分辨率均较高。

实验使用了FengYun-4A卫星数据，设计了高效的预报系统，预报时间为8分钟，具有很高的可迁移性，有望与多个卫星合作实现全球暴雨预报。研究结果显示，深度扩散模型在暴雨预报中具有显著优势，卫星数据在结合人工智能技术后具有重要价值。

近期相关研究包括： 1. 'Nowcasting convective clouds using satellite and radar data with a deep learning model' 2. 'A deep neural network approach to nowcasting high-impact weather' 3. 'Convective cloud nowcasting using machine learning with satellite and radar data'