إن التنبؤ بالأمطار على المدى القصير وبمقياس دقيق يعد دعمًا هامًا للوقاية من الكوارث والتقليل من تأثيراتها في منطقة غوانغدونغ-هونغ كونغ-ماكاو الكبرى. في هذه الدراسة، تم استخدام شبكة عصبية تلافيفية (CNN, convolutional neural network) لبناء نموذج للتنبؤ باحتمالية هطول الأمطار على المدى القصير بمقياس أدق. يعتمد النموذج على بيانات خلفية الطقس المستلمة من نظام التنبؤ العالمي (GFS, global forecast system) كمعلومات إدخال، للحصول على معايير توزيع احتمالية الهطول لمدة 3 ساعات في محطات المنطقة المختلفة، وقد تم تقييم أداء التنبؤات في تجارب مختلفة. أظهرت النتائج: 1) في نتائج التنبؤ المحددة، قللت جميع التجارب إلى درجة ما من أخطاء التنبؤ الأصلية لنظام GFS، حيث عززت تجربة CNN-PR الميزات المكانية بشكل أكبر وحققت أفضل نتائج (RMSE=3.31 mm)، بينما أظهرت تجربة SINGLE (دون إدخال المعلومات العالمية) وتجربة CNN0 (دون استخراج الميزات المكانية) أداءً أقل؛ 2) في نتائج التنبؤ الاحتمالي، كان أداء الضبط العام للتجارب جيدًا، حيث حصلت تجربة CONTROL على أفضل تصنيف شامل (CRPS=0.69 mm)، مع وجود قدرة تمييز على حدوث الأمطار بالنسبة لغالبية التجارب باستثناء تجربتي SINGLE وCNN0، وتميزت تجربة TREND التي استوعبت معلومات تغير الزمن بأفضل قدرة تمييزية للأمطار الغزيرة؛ بينما حققت تجربة CNN-PR أفضل ضبط شرطي للفاصل الزمني على حساب حدة التوقعات؛ 3) أظهرت التنبؤات في جميع التجارب قلة تقدير الأمطار الغزيرة، وكان مستوى التنبؤ الاحتمالي محدودًا بتناقضين داخليين هما "الضبط الخارجي-الضبط الداخلي" و"الضبط-الحدة". يمكن لهذه الدراسة أن تقدم مرجعًا منهجيًا لتطبيق عمليات التوقع الاحتمالي الدقيق للأمطار على المدى القصير في منطقة غوانغدونغ-هونغ كونغ-ماكاو الكبرى.

الشبكة العصبية التلافيفية; خفض المقياس; منطقة الخليج الكبرى; الأمطار القصيرة