Inteligența artificială completează hărțile globale ale precipitațiilor
Hărțile globale ale precipitațiilor sunt construite din observații colectate de mai mulți sateliți, însă acestea au o limitare importantă: sateliții nu pot vedea simultan întregul Pământ, astfel încât anumite regiuni ale hărților pot rămâne fără observații valide. Metodele actuale încearcă să acopere aceste lacune estimând valorile precipitațiilor din observațiile făcute înainte și după perioada lipsă, dar nu reușesc întotdeauna să surprindă modul în care modelele de precipitații se schimbă în timp, ceea ce duce la inconsistențe în hărți.
Pentru a aborda această problemă, un grup de cercetători condus de profesorul asistent Daiko Kishikawa, de la Institutul pentru Cercetare Academică Avansată și Centrul pentru Teledetecție Environmentală al Universității Chiba din Japonia, a tratat problema ca pe o sarcină de reconstrucție video. Echipa, din care au făcut parte și dr. Yuka Muto și dr. Shunji Kotsuki, a propus o abordare de învățare automată care învață cum se modifică modelele de precipitații atât în spațiu, cât și în timp, și estimează distribuția precipitațiilor în zonele lipsă. Studiul a fost publicat în revista Earth and Space Science pe 1 septembrie 2026.
„În loc să ne bazăm pe formule concepute manual, metoda noastră tratează secvențele de hărți ale precipitațiilor ca pe date asemănătoare unui video și repară secțiunile lipsă folosind informații atât din cadrele temporale apropiate, cât și din regiunile înconjurătoare, cu informații suplimentare”, explică Kishikawa.
O rețea neuronală tridimensională inspirată de segmentarea imaginilor
Abordarea utilizează o rețea U-Net tridimensională, o arhitectură de rețea neuronală convoluțională folosită frecvent pentru segmentarea imaginilor, pentru a capta modelele de precipitații în spațiu și timp. U-Net este combinată cu un codificator de condiții 3D care procesează informații suplimentare, inclusiv imagini satelitare în infraroșu, coordonate geografice și timp, pentru a ajuta la reconstrucția hărților complete ale precipitațiilor.
Scopul cercetătorilor a fost reconstrucția observațiilor lipsă din Global Satellite Mapping of Precipitation (GSMaP), produs de Agenția Japoneză de Explorare Aerospațială. Pentru antrenarea modelului, au fost folosite date orare de precipitații din setul de date de reanaliză ERA5, produs de Centrul European pentru Prognoze Meteorologice pe Termen Mediu, acoperind perioada 2020–2023. Deoarece ERA5 oferă hărți complete ale precipitațiilor, cercetătorii au folosit locațiile observațiilor lipsă din GSMaP pentru a elimina zonele corespunzătoare din hărțile ERA5. Aceste hărți pseudo-GSMaP au imitat observațiile satelitare incomplete și le-au permis cercetătorilor să antreneze modelul pentru reconstrucția regiunilor lipsă.
Abordarea propusă folosește un model de difuzie condiționat pentru a reconstrui informațiile lipsă despre precipitații. Codificatorul de condiții 3D procesează aceste informații și oferă rețelei U-Net detaliile necesare pentru reconstrucție.
Rezultate bune pe date simulate și pe lacune reale
Testat pe date din 2024, modelul a obținut o acuratețe ridicată a predicțiilor și o calitate bună a imaginii în comparație cu alte abordări de învățare profundă, inclusiv modele U-Net, autoencoder variational și rețele generative adversariale. De asemenea, a produs modele de precipitații consistente atât ca distribuție geografică, cât și în timp. Analiza de sensibilitate a arătat că datele despre precipitații și imaginile satelitare în infraroșu au fost cele mai importante intrări pentru reconstrucția precisă a precipitațiilor lipsă.
Pentru a vedea cum s-ar comporta modelul în practică, cercetătorii l-au aplicat pe hărți GSMaP reale cu regiuni lipsă. Deoarece nu exista un set complet de date GSMaP pentru comparație, aceștia au folosit datele ERA5 ca referință. Rezultatele au arătat că modelul poate reconstrui regiunile lipsă din datele GSMaP reale, demonstrând potențialul său de aplicare la observații satelitare efective.
Spre o monitorizare mai completă a precipitațiilor
Abordarea ar putea fi dezvoltată și pentru aplicații în timp aproape real, oferind informații mai complete despre precipitații pentru monitorizarea ploilor abundente, gestionarea resurselor de apă și reducerea riscurilor de dezastre.
„Aceasta ar putea contribui la o gamă largă de aplicații care se bazează pe informații despre precipitații, inclusiv monitorizarea ploilor abundente și a inundațiilor, gestionarea resurselor de apă, analiza hidrologică și reducerea riscurilor de dezastre”, spune Kishikawa.
Făcând informațiile globale despre precipitații mai continue, o astfel de abordare ar putea fi valoroasă în regiunile cu observații reduse, cum ar fi cele cu puține pluviometre la sol sau radare meteorologice.
