Volumetric Radar Echo Motion Estimation Using Physics-Informed Deep Learning: A Case Study Over Slovakia

Título: Estimación del Movimiento de Ecos de Radar Volumétricos Mediante Aprendizaje Profundo Informado por Física: Un Estudio de Caso sobre Eslovaquia

1. El Problema

La predicción meteorológica a muy corto plazo (nowcasting) de la precipitación es crucial para sistemas de alerta temprana. Los métodos tradicionales se basan en la extrapolación de composites de radar bidimensionales (2D), asumiendo que el movimiento de las precipitaciones puede representarse adecuadamente en un espacio verticalmente colapsado. Sin embargo, esta suposición ignora la estructura tridimensional de la atmósfera, donde el cizallamiento del viento y las diferencias de flujo entre altitudes pueden influir en el desplazamiento horizontal de los sistemas de precipitación.

El desafío principal es determinar si la estimación de campos de movimiento independientes para múltiples capas de altitud (usando datos volumétricos 3D) ofrece ventajas prácticas significativas sobre los métodos 2D, especialmente en regiones con climas mixtos como el de Eslovaquia, donde predominan sistemas estratiformes pero ocurren eventos convectivos. Además, los modelos de aprendizaje profundo tienden a sufrir el "problema de doble penalización", produciendo predicciones borrosas si no modelan explícitamente el movimiento (advección).

2. Metodología

Los autores proponen un marco de trabajo que combina redes neuronales convolucionales (CNN) con principios físicos para estimar campos de movimiento horizontal a diferentes alturas.

• Arquitectura del Modelo (3D Motion Field U-Net):
  • Se utiliza una arquitectura U-Net 3D modificada. En lugar de tratar el tiempo como un canal, se modela explícitamente como una tercera dimensión espacial junto con la latitud y la longitud.
  • El modelo procesa rebanadas horizontales de los volúmenes de radar de forma independiente para estimar un campo de movimiento horizontal (dos componentes: $u_x, u_y$) por cada nivel de altitud.
  • Se evita la estimación de la componente vertical de la velocidad, ya que los experimentos preliminares mostraron que era inestable y difícil de aprender solo a partir de la reflectividad.
• Enfoque Informado por Física:
  • Función de Pérdida Multi-escala y Consistente: El modelo no solo minimiza el error entre un paso de tiempo y el siguiente, sino que optimiza un campo de movimiento único que explica la evolución de una secuencia completa (pasado y futuro), asegurando coherencia temporal.
  • Regularización Física: Se incorpora una penalización por divergencia ($\nabla \cdot u$) para fomentar la incompresibilidad del flujo, alineando el modelo con la ecuación de continuidad.
• Datos y Preprocesamiento:
  • Se utilizó un conjunto de datos de 4 años (2018-2022) de la red de radares meteorológicos de Eslovaquia (4 estaciones C-band).
  • Los datos volumétricos (16 niveles de altitud, de 500m a 8000m) se preprocesaron con filtrado polarimétrico y operaciones morfológicas para eliminar ruido y ecos no meteorológicos.
  • Para el entrenamiento, la resolución vertical se redujo de 16 a 8 niveles mediante max-pooling para eficiencia computacional, preservando las estructuras de reflectividad más intensas.
• Comparativa Controlada:
  • Se entrenó un modelo de referencia idéntico en arquitectura, pero utilizando únicamente composites 2D (CMAX - máxima reflectividad por columna). Esto permitió aislar el impacto de la información volumétrica 3D sin sesgos arquitectónicos.

3. Contribuciones Clave

1. Marco de Estimación de Movimiento 3D: Desarrollo de un modelo de aprendizaje profundo que estima campos de advección horizontal independientes por capa de altitud directamente desde datos de reflectividad volumétrica.
2. Análisis Exhaustivo de Correlación Vertical: Realización de un análisis cuantitativo y cualitativo masivo de la correlación entre los campos de movimiento estimados en diferentes altitudes, revelando que, en la mayoría de los casos, el movimiento es altamente coherente verticalmente.
3. Evaluación Crítica de la Utilidad Volumétrica: Demostración empírica de que, para el clima de Eslovaquia, la complejidad adicional de los modelos 3D no se justifica por mejoras sistemáticas en la precisión de la predicción, desafiando la noción de que los datos 3D son siempre superiores.
4. Identificación de Artefactos No Físicos: Descubrimiento de que las mejoras en ciertas métricas categóricas (como el Recall) en modelos 3D provienen de artefactos de "división de celdas" (cell-splitting) causados por la falta de consistencia física vertical en la estimación de movimiento.

4. Resultados

• Métricas Continuas (Error): El modelo volumétrico 3D no superó al modelo 2D en métricas de error continuo (MAE, MSE). De hecho, mostró un error ligeramente mayor y un sesgo positivo creciente (sobrestimación) a medida que aumentaba el tiempo de plomo (lead time).
• Métricas Categóricas (Detección): El modelo 3D mostró una mejora consistente en el Recall (detección de eventos) y en el Equitable Threat Score (ETS), especialmente a tiempos de plomo superiores a 30 minutos.
  • Causa de la mejora: El análisis cualitativo reveló que esta mejora se debía a un artefacto no físico: la estimación independiente de movimiento en diferentes alturas provocaba que las celdas de precipitación se "dividieran" al proyectarse en un composite 2D, aumentando artificialmente el área cubierta y, por tanto, la detección, sin reflejar la evolución real de la tormenta.
• Análisis de Correlación:
  • Se encontró una alta correlación vertical (valores de Pearson > 0.9 entre capas adyacentes) en la gran mayoría de los eventos de precipitación.
  • Contrario a la hipótesis inicial, los meses de verano (con mayor convección) mostraron las correlaciones más altas y consistentes, no las más bajas.
  • Los eventos con baja correlación vertical (donde el modelo 3D podría ser útil) son extremadamente raros en el conjunto de datos eslovaco.

5. Significado y Conclusión

El estudio concluye que, para el conjunto de datos de radar de Eslovaquia, la variabilidad vertical en el movimiento horizontal de la precipitación es insuficiente para justificar el costo computacional y la complejidad de los modelos de estimación de movimiento 3D independientes.

• Implicaciones Prácticas: En regiones con climas donde el movimiento es verticalmente coherente (como el continental medio de Eslovaquia), los enfoques 2D siguen siendo más eficientes y robustos. La complejidad de los modelos 3D solo se justifica en climas con cizallamiento vertical fuerte y sistemas convectivos profundos donde el movimiento varía significativamente con la altura.
• Limitaciones y Futuro: El modelo actual estima capas de forma independiente, lo que genera inconsistencias físicas. Se sugiere que futuras investigaciones deben incorporar restricciones físicas que acoplen verticalmente los campos de movimiento o utilizar datos que incluyan componentes de velocidad vertical explícitas para evitar artefactos como la división de celdas.

En resumen, el papel demuestra la importancia de validar críticamente la necesidad de datos 3D en la predicción meteorológica basada en IA, señalando que "más datos" no siempre se traduce en "mejor predicción" si la estructura física subyacente no presenta la variabilidad que el modelo intenta capturar.