INTERPOLAÇÃO DE PRECIPITAÇÃO POR REDES NEURAIS CONVOLUCIONAIS PARA GRAFOS

Abstract

The monitoring and forecasting of atmospheric weather conditions have significant implications across diverse fields, including agriculture, transportation, and public safety. Accurate weather forecasting can help mitigate and prevent the adverse impacts of severe weather events, including the loss of human lives. With technological advancements, several instruments are available for atmospheric observation, such as satellites, radars, and in-situ stations. These instruments provide real-time observations and, in some cases, high spatial and temporal resolution, making them ideal input for training Machine Learning (ML)-based weather prediction models. However, one challenge regarding meteorological data is the availability and spatial distribution of in-situ stations. Due to their uneven distribution, certain areas end up with insufficient monitoring. Interpolation methods are commonly used to infer precipitation values for areas not covered by in-situ stations. However, these methods often overlook atmospheric context and physics, leading to discrepancies between interpolated and observed data. Additionally, these methods do not simultaneously account for both spatial and temporal dimensions. This study aims to implement a Spatio-Temporal Graph Convolutional Network (STGCN) to interpolate precipitation data, a significantly imbalanced variable. The STGCN is adapted to perform precipitation interpolation by learning atmospheric patterns and physics in multivariate time series from multiple meteorological instruments. The objective is to improve interpolation accuracy, especially in areas with limited in-situ station coverage. We compare the results achieved by the STGCN with those of a traditional interpolation method, Inverse Distance Weighting (IDW). The results indicate that, compared to IDW, the STGCN achieves higher accuracy in extreme precipitation events and promising results in events of lower magnitude. In some cases, our model achieved accuracy improvements for extreme events ranging from 40% to 80% over the IDW method. However, we identified that the imbalance in precipitation data and the relatively low number of extreme event examples could hinder STGCN accuracy in some scenarios. Our method proves promising and paves the way for future research.

O monitoramento e a previsão das condições climáticas atmosféricas têm implicações significativas em diversos campos, como agricultura, transporte e segurança pública. Previsões eficazes das condições climáticas podem ajudar a mitigar e prevenir os impactos adversos de eventos climáticos severos, incluindo a perda de vidas humanas. Com os avanços tecnológicos, existem vários instrumentos disponíveis para observação atmosférica, como satélites, radares e estações de superfície. Esses instrumentos fornecem observações em tempo real e, em alguns casos com alta resolução espacial e temporal, tornado-se insumo ideal para o treinamento de modelos de previsão do tempo baseados em Aprendizado de Máquina (AM). Por outro lado, um desafio acerca dos dados meteorológicos é a disponibilidade e distribuição espacial das estações de superfície. Por conta de sua distribuição desigual, certas áreas acabam com monitoramento insuficiente. Métodos de interpolação são comumente usados para inferir valores de precipitação para áreas não cobertas. No entanto, esses métodos frequentemente negligenciam o contexto e a física da atmosfera, resultando em discrepâncias entre os dados interpolados e os observados. Além disso, esses métodos não levam em consideração o espaço e o tempo simultaneamente. Este estudo tem como objetivo implementar uma Rede Convolucional Espaço-Temporal de Grafos (STGCN, na sigla em inglês) para interpolar dados de precipitação, que é uma variável significativamente desbalanceada. A STGCN é adaptada para realizar a interpolação da precipitação, aprendendo os padrões e a física da atmosfera em séries temporais multivariadas de múltiplos instrumentos meteorológicos. O objetivo é melhorar a precisão da interpolação, especialmente em áreas com cobertura limitada de estações de superfície. Comparamos os resultados alcançados pela STGCN com os de um método tradicional de interpolação, o Inverse Distance Weighting (IDW). Os resultados alcançados apontam que, comparado ao IDW, a STGCN é capaz de obter melhor acurácia em eventos mais extremos de precipitação e alcançam resultados promissores em eventos de menor magnitude. Em alguns casos, nosso modelo chegou a alcançar uma acurácia para eventos mais extremos entre 40% e 80% maior que o método IDW. No entanto, identificamos que o desbalanceamento dos dados de precipitação e a relativa baixa quantidade de exemplos de eventos extremos podem prejudicar a acurácia da STGCN em alguns cenários. Nosso método se mostra promissor e abre caminho para futuras pesquisas