Input-Architecture Synergy in Precipitation Nowcasting: Assessing the Need for Physical Anchors using the ANDeL Framework as a Case Study
Cette étude démontre que la performance relative des modèles d'apprentissage profond autorégressifs par rapport aux modèles non autorégressifs pour le nowcasting de précipitations en Afrique de l'Ouest dépend de manière critique de la composition des entrées, révélant que les architectures autorégressives excellent lorsqu'elles sont ancrées par des données de surface terrestre à variation lente comme l'humidité du sol, tandis que les modèles non autorégressifs offrent une plus grande robustesse contre les erreurs provenant d'entrées atmosphériques hautement variables.