JP7477252B2 - 気象レーダ・イメージの予測 - Google Patents

Description

本開示は、概ね気象レーダエコー・イメージの予測に関する。本開示は、具体的には、ディープ・ラーニング及び数値的気象予測（Ｎｕｍｅｒｉｃ Ｗｅａｔｈｅｒ Ｐｒｅｄｉｃｔｉｏｎ、ＮＷＰ）モデルに関する。

気象予測は、フォーキャスト、又はナウキャストの何れかとして分類することができる。フォーキャストすることは、物理的な動力学的及び熱力学的な計算モデルに加えて、履歴的データを含ませる複雑な数値モデルを使用する、将来の気象条件の予報に関連する。ナウキャストは、典型的には次の０～６時間の時間的期間についての気象条件のフォーキャストに関連する。

レーダによるナウキャストは、将来のレーダエコー・イメージの現実的なイメージを生成することを要求する。現実的なレーダ・イメージは、短時間的な未来の降雨のより高品質なフォーキャストに加え、航空飛行経路決定のための基礎を提供する。

レーダエコー・イメージは、大気中の現在の水分量に関連する。水分は、レーダ信号を反射して、戻り信号の強度に基づくイメージを与える。降雨は、地上に落ちる水分の量である。典型的には、大気中の水分のすべてが降雨となるわけではない。降雨レベル及び量を、レーダ反射イメージに変換する努力は、不正確である（降雨データから計算される１０ｃｍに等しい反射は、一般には降雨データに関連する実際のレーダ反射イメージのようには見えない。）。

レーダ・ナウキャストは、次の１０日以上についての予報を行う可能性のある一般的なウェザー・フォーキャストの様にではなく、次の１～６時間について予報することに焦点を置く。レーダ・ナウキャストは、迅速に処理されることに加えて、数分における時間分解能及び高い空間分解能を有する出力を提供することができるモデルを要求する。フォーキャストは、典型的には、長期の時間フレームに渡し、かつ、空間的及び時間的に粗い分解能の出力を生成する、大規模で計算機的に強力なモデルを使用する。

レーダのみに基づくナウキャストは、典型的には、単一のレーダ位置からのイメージに基づく。相関によるレーダ・エコーの追跡（Ｔｒａｃｋｉｎｇ ｒａｄａｒ ｅｃｈｏ ｂｙ ｃｏｒｒｅｌａｔｉｏｎ、ＴＲＥＣ）は、レーダ・エコーの連続的なイメージの間の相関係数を計算し、かつ最大相関値を使用して、異なる領域のモーション・ベクトルを決定する。決定されたベクトルは、その後、その領域の将来の動きを予測するために使用される。ＴＲＥＣは、天気領域要素の内部的なダイナミクスの規模について考慮しないことに基づいたイメージである。

ＴＲＥＣの連続性（Ｃｏｎｔｉｎｕｉｔｙ ｏｆ ＴＲＥＣ、ＣＯＴＲＥＣ）は、ＴＲＥＣに対してベクトル連続性の制限を課しており、ここでＴＲＥＣは、風速を精度低く予測する。ＣＯＴＲＥＣを改善するための努力は、雲成長及び減衰に関するパラメータを追加した。追加の努力は、ＣＯＴＲＥＣに対して降雨事象の形状分析を追加して、予測されるモーション・ベクトル場を改善し、予報の精度を改善した。

ＴＲＥＣは、時たまに周囲のベクトルと反対の方向のベクトルを生成する。この問題に対処するための１つの努力は、相間決定を、２つの連続イメージから３つへと発展させた。

マルチスケールＴＲＥＣは、第１の低分解能ＴＲＥＣ計算を使用して、領域の大域スケールのモーションを決定する。第２の高分解能ＴＲＥＣ計算がそれぞれの大きな、低分解能の領域ついてその後に実行され、それぞれ大きな領域内での中間的、かつローカル・スケールの内部モーションを予測する。

機械学習は、ニューラル・ネットワークをトレーニングすることにより、動力学的及び熱力学的条件を考慮することなく、レーダ・イメージの連続性を分析すると共に、イメージの処理されたシーケンスに基づいて将来のイメージ予測を作成するために、レーダ・ナウキャストに対して適用されてきている。そのような方法のデカップリング時間（予報と、現実の事象とが全く類似しなくなるまでの時間的長さ）は低く、１～２時間である。

以下のものは、本開示の１つ又はそれ以上の実施形態を基本的に理解するために提供される概要を提示する。本概要は、その要所又は重要な要素を指定することを意図することはなく、若しくは特定の実施形態の如何なる範囲又は請求の範囲の如何なる範囲を画定することを意図しない。これは、単に、より後に提示されるより詳細な説明に対する前章として、簡略化された形式で概念を提示することを目的とする。本明細書において説明される１つ又はそれ以上の実施形態においては、ウェザー・フォーキャスト及びレーダ・イメージ・データから、気象レーダエコー・イメージを予測することを可能とする、デバイス、システム、コンピュータ実装方法、装置又はコンピュータ・プログラム製品又はそれらの組み合わせである。

１つの特徴において、本発明は、入力されたウェザー・フォーキャスト・データに基づいて第１の予測レータ・イメージを生成するための第１の機械学習モデルを構築すること、及び履歴的なレーダ・イメージ及び第１の予測レーダ・イメージに基づいて予測レーダ・イメージを生成するための第２の機械学習モデルを構築することによる、気象レーダ・イメージの予測に関連する方法、システム、及びコンピュータ可読な媒体を含む。さらに、ロケーション及び時間についてのウェザー・フォーキャスト・データを第１の機械学習モデルに提供すること、及びロケーションについての履歴的なレーダ・イメージ及び第１の機械学習モデルの出力を第２の機械学習モデルに提供することにより予測レーダ・イメージを生成することによる。

１つの特徴において、本発明は、データの空間的及び時間的分解能を向上するために気象シミュレーション・データをインターポレーションすること、インターポレーションされたウェザー・フォーキャスト・データに基づいて第１の予測データ・イメージを生成するための第１の機械学習モデルを構築すること、及び履歴的なレーダ・イメージ及び第１の予測レーダ・イメージに基づいて、予測レーダ・イメージを生成するため第２の機械学習モデルを構築することによる、気象レーダ・イメージの予測に関連する方法、システム、及びコンピュータ可読な媒体を含む。さらに、ロケーション及び時間についてのウェザー・フォーキャスト・データを第１の機械学習モデルに提供すること、及びロケーション及び時間についてのレーダ・イメージ及び第１の機械学習モデルの出力を第２の機械学習モデルに提供することにより、第２の機械学習モデルから予測レーダ・イメージを生成することによる。予測レーダ・イメージの解像度は、第３の機械学習モデルを使用してその後に増強される。

１つの特徴において、本発明は、データの空間的及び時間的分解能を向上するために気象シミュレーション・データをインターポレーションすること、インターポレートされた現在のウェザー・フォーキャスト・データに基づいて第１の予測レーダ・イメージを生成するためにインターポレートされた履歴的な気象シミュレーション及びレーダ・イメージ・データを使用して第１の機械学習モデルを構築すること、履歴的なレーダ・イメージ及び第１の予測レーダ・イメージに基づいて予測レーダ・イメージを生成するため、履歴的及び第１のレーダ・イメージを使用して第２の機械学習モデルを構築することによる、気象レーダ・イメージの予測に関連する方法、システム、及びコンピュータ可読な媒体を含む。さらに、ロケーション及び時間についてインターポレートされた現在のウェザー・フォーキャスト・データを第１の機械学習モデルに提供すること、及びロケーション及び時間についてのレーダ・イメージ及び第１の機械学習モデルの出力を第２の機械学習モデルに提供することにより、第２の機械学習モデルから予測レーダ・イメージを生成することによる。予測レーダ・イメージの解像度は、第３の機械学習モデルを使用してその後に増強される。

１つの特徴において、本発明は、現在のウェザー・フォーキャスト・データ及び現在のウェザー・フォーキャスト・データに関連するレーダ・イメージを受領すること、現在のウェザー・フォーキャスト・データに基づいて第１のレーダ・イメージを生成するために第１の機械学習モデルを使用すること、及び現在のレーダ・イメージ及び第１のレーダ・イメージに基づいて予測データ・イメージを生成するために第２の機械学習モデルを使用することによる、気象レーダ・イメージの予測に関連する方法、システム、及びコンピュータ可読な媒体を含む。

開示するシステム、方法及びコンピュータ可読な記録媒体の特徴は、レーダ・イメージナウキャストのデカップリング時間を、ＮＷＰデータと、機械学習方法とを組み合わせることによって、３～６時間に延長する。開示される発明は、ＮＭＰ予報データをレーダ反射イメージへと翻訳するために機械学習を使用することによって、レーダ・ナウキャストのイメージを増強する。ＮＷＰデータに翻訳するために機械学習モデルを使用することは、将来の降雨事象を正確に予報する現実的な雲のフットプリント・イメージを生成する（予測されたレーダ・イメージは、実際のレーダ・イメージの様に見えることにおいて現実的である。）。第３の機械学習モデルの使用は、予測されるイメージのナウキャスト・ウィンドウの全体にわたって、細かな空間分解能を提供する。開示される発明は、高度特定のイメージを使用する第１の機械学習モデルを構築し、高度特定のレーダ・イメージのシーケンスを第２の機械学習モデルに提供することによって、高度特有のレーダ・イメージを提供するように拡張することができる（例えば、地上ベースのイメージ又は航空高度ベースのイメージ）。

貼付する図面における本開示のいくつかの実施形態のより詳細な説明を通じて、本開示の上記及びその他の目的、特徴、及び効果は、より明らかとなるであろう。ここで、本開示の実施形態における同一の参照は、概ね同一のコンポーネントを参照する。

図１は、本発明の実施形態によるシステムの概略図である。 図２は、本発明の実施形態による操作シーケンスを示すフローチャートである。 図３は、本発明の実施形態による機械学習モデルの概略図である。 図４は、本発明の実施形態による機械学習モデルの概略図である。 図５は、本発明の実施形態による機械学習モデルの概略図である。

開示される発明は、２つの機械学習モデルの組み合わせにより、レーダ・イメージナウキャストの改良を提供する。ナウキャスト・ウィンドウのそれぞれの時間的ステップについて、第１のモデルは、ＮＷＰ予報モデルからその時間的ステップについての現在の予測データを取得して、フォーキャスト・データを示すレーダ反射イメージを生成する（これにより、動力学的及び熱力学的条件の最新の尺度が、ナウキャスト予測へと組み込まれる。）。本方法は、これら予報条件の時間的ステップに特有のレーダ・イメージを、現在のレーダ・イメージのシーケンスを組み合わせて使用して、第２のモデルにより、ナウキャスト・ウィンドウの次の時間的ステップについての予測イメージを生成する。開示される発明は、ナウキャスト・ウィンドウの開始から、ウィンドウの終わりまで進む。本方法は、その後それぞれの時間的ステップからの予測レーダ・イメージを、現在のレーダ・イメージのシーケンスの部分として次の時間的ステップのための予測レータ・イメージを生成するために使用する。

実施形態においては、学習ドメインは、ナウキャストのために規定される。学習ドメインは、自動的又は手動で選択することができる。実施形態においては、自動的な学習ドメインの選択は、ユーザの嗜好を考慮した履歴的データ及び以前の学習ドメインの選択に従って進行する。本実施形態においては、本方法は、学習ドメインを、矩形の地理的領域として規定する（矩形でない領域が学習ドメインとして指定されてもよい。）。実施形態においては、合衆国本土のエリアが学習ドメインとして規定される。実施形態においては、本方法は、合衆国を副領域に分割し、この実施形態では、本方法は、北東部、南東部、北西部、南西部、アラスカ、及びハワイ／太平洋領域を規定する。学習ドメインについて、本方法は、ドメインのエリアを分割し、かつドメイン北－南を分割する行のセットを規定し、それぞれの行は、ユーザが選択したナウキャストの分解能により分割される全Ｎ－Ｓ距離の一部を表す（典型的には、２５０メートル（０．１５５マイル）及び１キロメートル（０．６２マイル）である。）。本方法はさらに、列のセットとして学習ドメインを規定し、各列は、選択された分解能により分割されたドメインの全Ｅ－Ｗ距離を表す。

本実施形態では、学習ドメインの規定のサイズ及び分解能を増加することは、妥当な時間においてナウキャスト出力を生成するためのＣＰＵ能力、システムメモリ、ＧＰＵスピード及びメモリに関連する追加の計算機資源を要求する。実施形態において、米国本土を学習ドメインとして、ＮＶＩＤＩＡ ＧＴＸ１０８０グラフィックス・カード、３２ＧＢメモリ、１個のＩＮＴＥＬ６７００ＫＣＰＵ、及び１ＴＢのハードディスク空間を搭載させたコンピュータを使用して、１ｋｍの空間分解能で処理することができる。

実施形態においては、本方法は、４つのモジュールを含む：空間－時間インターポレーション・モジュール、ＮＷＰレーダ・マッピング・モジュール（モデルＭ、レーダ予測モジュール（モデルＡ）、及び空間ダウンスケーリング・モジュール（モデルＤ）。本実施形態において、学習ドメインを規定した後、初期時間分解能（例えば、２分、５分など）及び初期空間分解能（例えば１ｋｍ）を選択することにより使用が開始する。本実施形態においては、本方法は、学習ドメインについてＮＷＰデータを取得する。本実施形態においては、ＮＷＰデータは、少なくとも３ｋｍ（１．８６マイル）の分解能を有し、少なくとも所望するナウキャストの時間的ウィンドウ（例えば、６時間）の長さの時間をカバーする。

実施形態において、ＮＷＰデータは：降雨可能な水量、放出長波輻射、累積的及び非累積的な降水率、対流圏気圧、対流圏温度、地表気圧、地表温度、対流有効位置エネルギー（ＣＡＰＥ）、平均海面気圧、８５０ｍｂ地理空間高度、１０メートルｕ風速、１０メートルｖ風速、混合レシオ、及び海洋－陸マスクを含む。実施形態において、ＮＷＰデータは、非累積的な降水率ではなく、積算降水率を含むことができ、初期のＮＷＰデータセット内で非累積的な降水率を計算するためのデータの微分を取得する方法を必要とする。実施形態においては、ＮＷＰデータは、さらに乱流運動エネルギー、熱流量、混合高度、土地利用、雲カバーマスク、及び拡張ＮＷＰデータセット内の降雨タイプを含むことができる。

実施形態においては、本方法は、ＮＷＰデータセットのそれぞれの変数をユーザが特定した時間的分解能にインターポレートする。本実施形態においては、本方法は、区分的３次エルミート内挿多項式(PCHIP)又は修正Akimaスプライン内挿（Modified Akima spline interpolation (mAkima)）といったインターポレーション関数を使用して、サンプル・ポイント間のオーバーシュートを回避する。本実施形態では、それぞれの時間的ステップの以下の時間的インターポレーションに関し、本法は、データをインターポレーションし、分解能をユーザが特定する空間分解能にダウンスケールする。本実施形態においては、本方法は、一定していない変数データについては自然近隣内挿を使用し、すべての一定の変数データについては、クリギング内挿を使用する。

実施形態においては、本方法は、学習ドメインのエリアに渡るレーダ反射イメージを、ＮＷＰデータの時間的期間について受領又は取得する。本実施形態においては、レーダ反射イメージは、単一レーダ・ステーションのイメージ又は複数のレーダ・ロケーションからのモザイク化されたイメージを含むことができる。本実施形態においては、レーダ反射イメージは、ベース反射イメージ、コンポジット反射イメージ、一定高度平面位置（ＣＡＰＰＩ）イメージ、又は本方法のモデルについての所望するエンド・ユーズを想定する、他の反射イメージを含むことができる（例えば、飛行プラン・ガイダンスのための航空高度レーダ予測を生成することを意図するモデルは、航空高度レーダ・イメージを取得するであろう。）。本実施形態においては、レーダ・イメージの分解能は、少なくともユーザが特定した空間分解能と同程度に微細である。

実施形態においては、本方法は、インターポレートされたＮＷＰデータ及びレーダ・イメージを使用して、第１の機械学習モデル、マッピング・モデルＭをトレーニングする。本実施形態においては、第１のモデルは、画像分類のためのＩＮＣＥＰＴＩＯＮ Ｖ３といった畳み込みニューラル・ネットワーク（ＣＮＮ）を含み、ＣＮＮの他の既知のタイプもまた、本発明の方法のために使用することができる（注記：用語“ＩＮＣＥＰＴＩＯＮ”、“ＩＮＣＥＰＴＩＯＮ Ｖ３”及び“ＮＶＩＤＩＡ”は、世界中で種々の権利の商標権の対象の可能性があり、そのような商標が存在する可能性のある範囲内において、マークにより適切に名称づけられる製品又はサービスを参照するためにのみ、ここで言及した。）

実施形態においては、入力データは、同一のタイム・スタンプを有するインターポレートされたＮＷＰ及びレーダ反射データのペアである。本実施形態においては、本方法は、すべてのＮＷＰデータを、［（ｐ_ｉ－ｐ_ｍｉｎ）／（ｐ_ｍａｘ－ｐ_ｍｉｎ）］を使用して、０－１スケールに規格化し、ここで、ｐ_ｉは、インデックスｉ（タイム・スタンプ）でのそれぞれの変数に等しい。実施形態においては、本方法は、最大のレーダ反射を７５デシベル（ｄＢ）に、最小反射を、－１５ｄＢに設定する。本実施形態においては、本方法は、レーダ反射イメージをそれらのオリジナルの向きにおいて使用すると共に、またトレーニング・モデル内でのムービング・トレンド・バイアスを防止するため、異なる向きに回転される（１つの実施形態では、本方法は、イメージを９０、１８０、及び２７０°で回転させるが、他の回転も可能である。）。本方法は、モデルＭをラベル付けされていないデータ－ヒューマン・エンティティにより特徴付け又はラベル付けされていないものを使用してトレーニングする。

実施形態においては、本方法は、季節的なＮＷＰデータを収集してモデルＭを学習させる。実施形態においては、本方法は、モデルＭの２つのバージョン、冬期バージョン及び夏バージョン、又は冷雨バージョン及び暖雨バージョンをトレーニングする。２つのモデルがトレーニングされた後、本方法は、所望するレーダ・ナウキャスト・ウィンドウに関連する現在の条件に最も密接に対応する冬期／夏季ペアのどちらかのモデルを使用する。

実施形態においては、本方法は、モデルＭを、上述した初期ＮＷＰデータセットを使用してトレーニングする。１つの実施形態では、本方法は、上述した拡張ＮＷＰデータを使用してモデルをトレーニングする。これらの実施形態においては、本方法は、その後、それぞれの変数に関連する重みを評価して、１つ又はそれ以上の変数がモデルの出力にうまく表現されていない（影響が少ない）かどうかを判断する。少ない表現性／影響しかない変数は、データセットから除去され、モデルは修正されたデータセットを使用して再トレーニングされる。この修正されたデータセットを使用する再トレーニングは、より複雑性がなく、かつより少ない計算機的要求を有するモデルを与える。いくつかの実施形態において、モデルＭは、漏れ正規化線形ユニット（leaky rectified linear unit）活性化関数及び平均二乗誤差回帰関数を使用してトレーニングされる。

実施形態においては、第２の機械学習モデル、アドベクション・モデル又はモデルＡは、長短期記憶／ＣＮＮ（ＬＳＴＭＣ）を含むが、他のタイプの再帰的及び畳み込みニューラル・ネットワークもまた使用することができる。本実施形態において、本方法は、６つの時間的インターバルのウィンドウ・サイズを使用するが、他のウィンドウ・サイズも、モデルのサイズを増加又は減少するために使用することができる。本実施形態においては、トレーニング・データセットは、第１のニューラル・ネットワーク・モデルにより処理されたＮＷＰデータのタイム・スタンプに関連するレーダ反射イメージのシーケンスを含む。本実施形態においては、本方法は、ＮＷＰデータを、トレーニング済みのモデルＭで処理して、特定の将来のタイム・スタンプ・インターバルのためのレーダ反射イメージを得る。本方法は、そのイメージを、将来のタイム・スタンプのインターバルの直前のタイム・スタンプ・インターバルについての実際のレーダ反射イメージとペアにする。本方法は、モデルＡをトレーニングするために、第１のモデルの出力と、対応するレーダ・イメージのシーケンスとの多重のペアリングを使用する。いくつかの実施形態では、モデルＡは、漏れ正規化線形ユニット活性化関数及び平均二乗誤差回帰関数を使用してトレーニングされる。

実施形態においては、本方法は、第３の機械学習モデルをトレーニングする。本実施形態では、第３のモデルは、ダウンスケール・モデル又はモデルＤであり、ＣＮＮ又は類似の損失関数を有するニューラル・ネットワーク・モデルを含む。本方法は、このモデルを、ナショナル・コンポジット・リフラクティビティ・プロダクト（national composite reflectivity products）のＮＣＺ及びＮＣＲを含んだ、アメリカ大洋気象庁（ＮＯＡＡ）コンポジット反射イメージを含むデータセットを使用してトレーニングする。本実施形態では、ＮＣＺは、４ｋｍ（２．４８マイル）の分解能を有し、ＮＣＲは、１ｋｍ（０．６２マイル）の分解能を有する。本実施形態においては、本方法は、ＮＣＺ及びＮＣＲのイメージを必要に応じて取り込んで、学習ドメインに適合する。本実施形態において、トレーニングされたモデルは、ＮＣＺ及びＮＣＲについて４ｋｍ（２．４８マイル）から１ｋｍ（０．６２マイル）に分解能を変化させるのと同様に、提供されたイメージの解像度を改善する。いくつかの実施形態では、モデルＤは、漏れ正規化線形ユニット活性化関数及び平均二乗誤差回帰関数を使用してトレーニングされる。

実施形態においては、本方法は、トレーニングしたモデルを使用して、０～６時間のナウキャストのウィンドウについてのレーダ・ナウキャスト・イメージを生成する。この実施形態では、本方法は、時刻Ｔ_１～Ｔ_ｍまでのレーダ反射イメージ：Ｒ_１，Ｒ_２，Ｒ_３．．．を収集し、ここで、Ｔ_ｍは、ナウキャスト・ウィンドウの開始を表す。予測ウィンドウは、Ｔ_ｍ＋１で開始する。本方法は、Ｔ_ｍ＋１についてのＮＷＰデータＳ_ｍ＋１を収集し、ＮＷＰデータに基づいてＴ_ｍ＋１についてのレーダ反射イメージを生成するために、モデルＭを使用する。本方法は、その後、Ｓ_ｍ＋１をレーダ・イメージ・シーケンスＲ_１，Ｒ_２，Ｒ_３．．．と組み合わせてモデルＡに入力し、Ｔ_ｍ＋１についての予測レーダ反射イメージＲ_ｍ＋１を生成する。

実施形態において、本方法は、その後、Ｒ_ｍ＋１の解像度をユーザが特定した解像度へと向上するために、第３の学習モデルを使用する。実施形態においては、ユーザは、最終的な解像度をモデルＡの解像度として特定する。本実施形態においては、第３の機械学習モデルの使用は、必須ではない。

実施形態においては、本方法は、前向きにＴ_ｍ＋１からＴ_ｍ＋２の時間的インターバルで移動する。本実施形態においては、本方法は、Ｔ_ｍ＋２についてのデータを収集し、上述したように新たなＮＷＰデータ及びモデルＭを使用しながら進行して、Ｓ_ｍ＋２を生成すると共に、モデルＡの入力として使用したイメージのシーケンスＲ_ｍ＋１を追加して、Ｒ_ｍ＋２を生成する。本実施形態においては、本方法は、ナウキャストが特定されたウィンドウ・サイズについて完全に生成されるまで、ユーザが特定した時間的分解能に等しいインターバルで、所望するナウキャストのウィンドウを通して進む。本実施形態においては、新たなナウキャストの時間的インターバルＴ_ｋ＋１のそれぞれについて、ユーザは、反射の最新の予測を反射の最新の観測値として使用する。本方法は、その後、Ｔ_ｍ＋ｋからＴ_{ｍ＋ｋ＋１}まで、ナウキャストのターゲット・インターバルで進行する。

実施形態においては、３つまでの機械学習モデルから成る完全なナウキャスト・モデルがローカル・デバイスに存在し、ネットワーク通信越しに受領したＮＷＰ及びレーダ・データを処理し、ビデオ・スクリーンといったディスプレイ要素を介してユーザに対してローカルな出力を提供する。実施形態においては、完全なナウキャスト・モデルは、クラウド又はエッジ・クラウド資源に存在して、ＮＷＰ及びレーダ・イメージ・データを受領し、かつ出力イメージをネットワーク通信リンク越しにスマートホン又はローカル・コンピュータ・アプリケーションを介してユーザに提供する。実施形態においては、本方法のそれぞれの機械学習モデルは、クラウド又はエッジ・クラウド資源を使用してトレーニングされる。本実施形態においては、トレーニングさたモデルは、その後、ＮＷＰ及びレーダ・イメージ・データの処理の使用のためにローカルに提供されて、所望するナウキャストを生成する。

図１は、開示される本発明の実施に関連する例示的なネットワーク資源の概略図である。本発明は、命令ストリームを処理する開示の要素の如何なるもののプロセッサにおいても実施することができる。図に示されるように、コンピュータ・システム１００は、サーバ・コンピュータ１５０を含む。図１は、本発明の実施形態によりネットワーク化されたコンピュータ・システム１００内の、サーバ・コンピュータ１５０のブロック図を示す。図１は、１つの実装を例示するのみであり、異なる実施形態を実装できる環境に関して如何なる限定を意味しないことについて理解されるべきである。図示した環境に対して多くの修正をなすことができる。

サーバ・コンピュータ１５０は、プロセッサ（複数でも良い）１５４、メモリ１５８、持続性ストレージ１７０、通信ユニット１５２、入力／出力インタフェース（複数でも良い）１５６、及び通信機能１４０を含む。通信機能１４０は、キャッシュ１６２と、メモリ１５８と、持続性ストレージ１７０と、通信ユニット１５２と、入力／出力（Ｉ／Ｏ）インタフェース１５６との間の通信を提供する。通信機能１４０は、プロセッサ（マイクロプロセッサ、通信及びネットワークプロセッサなど）、システム・メモリ、周辺デバイス、及びシステム内の如何なる他のハードウェアとの間で、データを渡し、又は情報を制御し、又はこれら両方のために設計された如何なるアーキテクチャでも実装することができる。例えば、通信機能１４０は、１つ又はそれ以上のバスとして実装することができる。

メモリ１５８及び持続性ストレージ１７０は、コンピュータ可読な記録媒体である。この実施形態においては、メモリ１５８は、ランダム・アクセス・メモリ（ＲＡＭ）１６０を含む。一般に、メモリ１５８は、如何なる好適な揮発性又は不揮発性のコンピュータ可読な記録媒体でも含むことができる。キャッシュ１６２は、プロセッサ（複数でも良い）１５４の性能を、メモリ１５８から最近アクセスされたデータ及び最近アクセスされたデータに近いデータを保持することによって向上させる高速メモリである。

本発明の実施形態を実施するために使用されるプログラム命令及びデータ、例えば、機械学習プログラム１７５は、サーバ・コンピュータ１５０のそれぞれのプロセッサ（複数でも良い）１５４の１つ又はそれ以上によってキャッシュ１６２を介した実行又はアクセス又はそれらの両方のため、持続性ストレージ１７０に格納される。本実施形態では、プログラム１７５は、４つのモジュールを含む。データ・インタポレーション・モジュール１７６は、ＮＷＰデータを受領し、そのデータをインターポレートしてＮＷＰデータの空間的及び時間的な分解能を向上する。レーダ・マッピング・モジュール１７７は、モデルＭを含み、インターポレートされたＮＷＰデータを受領し、かつデータにマップされた予測レーダ・イメージを生成する。レーダ予測モジュール１７８は、モデルＡを含み、マッピング・モジュール１７７からマップされたイメージを受領し、かつ次の予測レーダ・イメージを生成する。ダウンスケーリング・モジュール１７９は、モデルＤを含み、予測モジュール１７８から予測レーダ・イメージを受領し、かつイメージの空間分解能を向上する。本実施形態において持続性ストレージ１７０は、磁気ハードドライブを含む。代替的に、又は磁気ハードディスクに追加的に、持続性ストレージ１７０は、ソリッドステート・ハードドライブ、リード・オンリー・メモリ（ＲＯＭ）、消去可能なプログラマブル・リードオンリー・メモリ（ＥＰＲＯＭ）、フラッシュ・メモリ、又はプログラム命令又はデジタル情報を格納することが可能な如何なる他のコンピュータ可読な記録媒体を含むことができる。

持続性ストレージ１７０により使用される媒体は、また、取り外し可能とすることができる。例えば、取り外し可能なハードドライブは、持続性ストレージ１７０のために使用することができる。他の実施例は、光学及び磁気ディスク、サムドライブ（商標）、及び持続性ストレージ１７０のまた部分である、もう１つのコンピュータ可読な記録媒体へと転送するためにドライブに挿入されるスマートカードを含む。

通信ユニット１５２は、これらの実施例においては、ネットワーク１１４を経由してネットワーク化されたデバイスを含む他の処理システム又はデバイスとの通信を提供する。これらの実施例では、通信ユニット１５２は、１つ又はそれ以上のネットワーク・インタフェース・カードを含む。通信ユニット１５２は、物理的及びワイヤレス通信リンクの何れか又は両方の使用を通して通信を提供することができる。本発明の実装のために使用されるソフトウェア配布プログラム及び他のプログラム及びデータは、通信ユニット１５２を通してサーバ・コンピュータ１５０の持続性ストレージ１７０にダウンロードすることができる。

Ｉ／Ｏインタフェース（複数でも良い）１５６は、サーバ・コンピュータ１５０と接続することができる他のデバイスと、データの入力及び出力を可能とする。例えば、Ｉ／Ｏインタフェース（複数）１５６は、キーボード、キーパッド、タッチ・スクリーン、マイクロホン、デジタルカメラ、又はいくつかの他の好適な入力デバイス又はこれらの組み合わせといった外部デバイス（複数でも良い）１９０との接続を提供することができる。外部デバイス（複数でも良い）１９０は、また、例えば、サムドライブ（商標）、携行可能な光学的又は磁気ディスク、メモリ・カードといった、携行可能なコンピュータ可読な記録媒体を含むことができる。本発明の実施形態を実施するために使用されるソフトウェア及びデータ、例えばサーバ・コンピュータ１５０上の機械学習プログラム１７５は、そのような携行可能なコンピュータ可読な記録媒体に格納でき、かつＩ／Ｏインタフェース（複数でも良い）１５６を介して持続性ストレージ１７０上にロードすることができる。Ｉ／Ｏインタフェース（複数でも良い）１５６は、また、ディスプレイ１８０に接続される。

ディスプレイ１８０は、ユーザに対してデータを表示する機能を提供し、かつ、例えば、コンピュータ・モニタとすることができる。ディスプレイ１８０は、また、タブレット・コンピュータのディスプレイといった、タッチ・スクリーンとして機能することができる。

図２は、本開示に関連する例示的な活動を示すフローチャート２００を示す。プログラムが開始した後、学習ドメインが規定され、ユーザが特定した空間的及び時間的分解能がセットされ、インターポレーション・モジュール１７６は、その後、規定された学習ドメインについてのＮＷＰデータを、２１０で取得する。実施形態においては、ＮＷＰデータは、降雨可能な水分、放出長波輻射、累積的及び非累積的な降水率、対流圏気圧、対流圏温度、地表気圧、地表温度、ＣＡＰＥ、平均海面気圧、８５０ｍｂ地理空間高度、１０メートルｕ風速、１０メートルｖ風速、混合レシオ、及び海洋－陸マスク、乱流運動エネルギー、熱流量、混合高度、土地利用、雲カバーマスク、及び降雨タイプから選択されたデータを含む。

２２０では、レーダ・マッピング・モジュール１７７は、取得されたＮＷＰデータセットの時間的インターバルの間の規定された学習ドメインについて、レーダ反射イメージを取得する。本実施形態においては、本方法のレーダ・マッピング・モジュール１７６は、ユーザが特定した空間分解能又はより低い解像度を有するイメージを取得することができる。実施形態においては、レーダ・マッピング・モジュール１７６は、本方法による使用のため、少なくともユーザが所望する時間的分解能を有するレーダ・イメージを取得しなければならない。本実施形態では、イメージは、単一のソースからのイメージ、又は多数のソースからのモザイク化されたイメージを含むことができる。イメージは、ベース、コンポジット、ＣＡＰＰＩ又は本方法のモデルのための所望するエンド・ユーズを想定する、他のレーダ反射イメージを含むことができる。実施形態においては、高度特定イメージが収集されて、高度特定の出力イメージを提供するために全体のモデルをトレーニングする。

実施形態においては、２３０で、プログラム１７５は、レーダ・イメージ及びＮＷＰデータを使用して、レーダ・マッピング・モジュール１７６のモデルＭをトレーニングする。本実施形態においては、本方法は、ＮＷＰデータを規格化して、そのデータを、学習ドメインに対するユーザが特定した空間的及び時間的分解能及びナウキャスト・ウィンドウそれぞれに適合するようにインターポレートする。本実施形態では、本方法のプログラム１７５は、レーダ像を、像データについて最大（７５ｄＢ）及び最小（－１５ｄＢ）の信号値に設定する。実施形態においては、本方法のプログラム１７５は、その後規格化され、インターポレートされたデータを使用してＣＮＮをトレーニングし、入力のＮＷＰデータから実際的なレーダ反射イメージを生成する第１の機械学習モデルを得る。

２４０では、プログラム１７５は、レーダ予測モジュール１７７のモデルＡをトレーニングする。本方法のプログラム１７５は、モデルＭからの出力イメージとペアとされたレーダ・イメージのシーケンスを使用して、モデルＡをトレーニングする。モデルＭの出力は、所与のシーケンス内での次のイメージを予測する。実施形態においては、本方法のモデルＡは、ＬＳＴＭモデルを含む。トレーニングの後、プログラム１７５は、予測モジュール１７７のモデルＡを、所与のイメージのシーケンス及び対応するモデルＭからの出力を入力として使用し、シーケンス内での次の予測レーダ反射イメージを生成するために使用する。

２５０では、プログラム１７５は、２３０及び２４０からトレーニングされたモデルを使用してレーダ像ナウキャストの出力を生成する。実施形態においては、インターポレーション・モジュール１７６は、学習ドメイン及び所望するナウキャストのウィンドウについてのＮＷＰデータを収集する。マッピング・モジュール１７７は、ナウキャスト・ウィンドウに直先行する時間的インターバルについてのレーダ像を収集する。ナウキャスト・ウィンドウの第１の時間的インターバルとしてＴ_ｍ＋１のインターバルで開始し、プログラム１７５は、モデルＭに規格化されたＮＷＰデータを提供して、インターバルＴ_ｍ＋１についてのレーダ反射予測Ｓ_ｍ＋１を生成する。本実施形態においては、マッピング・モジュール１７７は、Ｓ_ｍ＋１で終了するレーダ・イメージのシーケンスを、レーダ予測モジュール１７８及びモデルＡへと提供する。モデルＡは、レーダ・イメージＲ_ｍ＋１を、インターバルＴ_ｍ＋１についての予測として生成する。実施形態においては、２６０で、ダウンスケール・モジュール１７９のモデルＤは、Ｒ_ｍ＋１を入力として使用して解像度Ｒ_ｍ＋１を向上させ、ユーザが特定した空間分解能を有するレーダ・イメージを得る。

実施例においては、プログラム１７５は、モデルＡの入力として提供されたイメージのシーケンスの一部としてのそれぞれ前のインターバルからのＲ_ｍ＋１を使用して、所望するナウキャスト・ウィンドウのそれぞれの時間的インターバルについてのレーダ・イメージを生成する。

図３は、本発明のいくつかの実施形態において使用されるモデルＭのニューラル・ネットワーク・アーキテクチャの概略図３００を示す。ＮＷＰデータ及び対応するレーダ・イメージのペアは、トレーニング・データセットとして提供される。図に示されるように、ＮＷＰデータ３１０は、入力として多数の畳み込みレイヤ３２０へと渡され、モデルは、ＮＷＰデータ３１０を対応するレーダ・イメージ３４０にマッチさせるように学習される。実施形態においては、モデルは、誤差回帰、漏れ正規化線形ユニット（漏れＲｅＬＵ）活性化関数及び平均二乗誤差（ＭＳＥ）回帰損失関数を使用して、モデル・パラメータをトレーニングする。

図４は、アドベクション・モデルＡについてのいくつかの実施形態において使用されるニューラル・ネットワーク・レイヤ・アーキテクチャの概略図４００を示す。図に示されるように、それぞれのネットワーク・レイヤは、ＬＳＴＭブロック４１０及びいくつかの畳み込みブロック４２０を含む。ＬＳＴＭブロック４１０は、入力データの時間シーケンスを適応化する。いくつかの実施形態では、モデルは、漏れＲｅＬＵ活性化関数及びＭＳＥ回帰損失関数４３０を使用してトレーニングされる。実施形態においては、モデルＡは、モデルＭからの対応する時間ウィンドウについて時間シリーズのレーダ・イメージ及び予測レーダ・イメージを使用してトレーニングされる。

図５は、いくつかの実施形態におけるモデルＤに対するアーキテクチャの概略図５００を示す。図に示されるように、モデルは、４キロメートルの分解能のデータ５１０、バイリニア関数５２０への入力及びいくつかの畳み込みレイヤ５３０を含む。モデルは、誤差逆伝搬、漏れＲｅＬＵ活性化関数及びＭＳＥ損失関数５５０を使用して、４キロメートルのデータを１キロメートルの分解能のデータ５４０に適合するようにトレーニングされる。

本発明は、いかなる可能な技術的に詳細な一体化レベルであっても、システム、方法、又はコンピュータ・プログラム製品又はこれらの組み合わせとすることができる。本発明は、命令ストリームを処理する単一又は並列な如何なるシステムにおいても、利便性良く実施することができる。コンピュータ・プログラム製品は、プロセッサに対して本発明の特徴を遂行させるためのコンピュータ可読なプログラム命令をそれ上に有する記録媒体（又は複数の媒体）を含むことができる。

コンピュータ可読な記録媒体は、命令実行デバイスが使用するための複数の命令を保持し格納することができる有形のデバイスとすることができる、コンピュータ可読な媒体は、例えば、これらに限定されないが、電気的記録デバイス、磁気的記録デバイス、光学的記録デバイス、電気磁気的記録デバイス、半導体記録デバイス又はこれらのいかなる好ましい組み合わせとすることができる。コンピュータ可読な記録媒体のより具体的な実施例は、次のポータブル・コンピュータ・ディスク、ハードディスク、ランダム・アクセス・メモリ（ＲＡＭ）、リード・オンリー・メモリ（ＲＯＭ）、消去可能なプログラマブル・リード・オンリー・メモリ（ＥＰＲＯＭ又はフラッシュ・メモリ（登録商標））、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク・リード・イオンリー・メモリ（ＣＤ－ＲＯＭ）、デジタル多目的ディスク（ＤＶＤ）、メモリ・スティック、フロッピー・ディスク（登録商標）、パンチ・カード又は命令を記録した溝内に突出する構造を有する機械的にエンコードされたデバイス、及びこれらの好ましい如何なる組合せを含む。本明細書で使用するように、コンピュータ可読な記録媒体は、ラジオ波又は他の自由に伝搬する電磁波、導波路又は他の通信媒体（例えば、光ファイバ・ケーブルを通過する光パルス）といった電磁波、又はワイヤを通して通信される電気信号といったそれ自体が一時的な信号として解釈されることはない。

本明細書において説明されるコンピュータ・プログラムは、コンピュータ可読な記録媒体からそれぞれのコンピューティング／プロセッシング・デバイスにダウンロードでき、又は例えばインターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク又はワイヤレス・ネットワーク及びそれからの組み合わせといったネットワークを介して外部コンピュータ又は外部記録デバイスにダウンロードすることができる。ネットワークは、銅通信ケーブル、光通信ファイバ、ワイヤレス通信ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ及びエッジ・サーバ又はこれらの組み合わせを含むことができる。それぞれのコンピューティング／プロセッシング・デバイスにおけるネットワーク・アダプタ・カード又はネットワーク・インタフェースは、ネットワークからコンピュータ可読なプログラム命令を受領し、このコンピュータ可読なプログラム命令を格納するためにそれぞれのコンピューティング／プロセッシング・デバイス内のコンピュータ可読な記録媒体内に転送する。

本発明の操作を遂行するためのコンピュータ可読なプログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）命令、機械語命令、マシン依存命令、マイクロ・コード、ファームウェア命令、状態設定データ、集積回路のための構成データ、又は１つ又はそれ以上の、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋などのオブジェクト指向プログラミング言語、“Ｃ”プログラミング言語又は類似のプログラム言語といった手続き型プログラミング言語を含むプログラミング言語のいかなる組合せにおいて記述されたソース・コード又はオブジェクト・コードのいずれかとすることができる。コンピュータ可読なプログラム命令は、全体がユーザ・コンピュータ上で、部分的にユーザ・コンピュータ上でスタンドアローン・ソフトウェア・パッケージとして、部分的にユーザ・コンピュータ上で、かつ部分的にリモート・コンピュータ上で、又は全体がリモート・コンピュータ又はサーバ上で実行することができる。後者のシナリオにおいて、リモート・コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）を含むいかなるタイプのネットワークを通してユーザ・コンピュータに接続することができ、又は接続は、外部コンピュータ（例えばインターネット・サービス・プロバイダを通じて）へと行うことができる。いくつかの実施形態では、例えばプログラマブル論理回路、フィールド・プログラマブル・ゲートアレイ（ＦＰＧＡ）、又はプログラマブル論理アレイ（ＰＬＡ）を含む電気回路がコンピュータ可読なプログラム命令を、コンピュータ可読なプログラム命令の状態情報を使用して、本発明の特徴を実行するために電気回路をパーソナライズして実行することができる。

本発明の特徴を本明細書において本発明の実施形態にしたがい、フローチャート命令及び方法のブロック図、又はそれらの両方、装置（システム）、及びコンピュータ可読な記録媒体及びコンピュータ・プログラムを参照して説明した。フローチャートの図示及びブロック図又はそれら両方及びフローチャートの図示におけるブロック及びブロック図、又はそれらの両方のいかなる組合せでもコンピュータ可読なプログラム命令により実装することができることを理解されたい。

これらのコンピュータ可読なプログラム命令は、汎用目的のコンピュータ、特定目的のコンピュータ、又は他のプロセッサ又は機械を生成するための他のプログラマブル・データ・プロセッシング装置に提供することができ、コンピュータのプロセッサ又は他のプログラマブル・データ・プロセッシング装置による実行がフローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作を実装するための手段を生成する。コンピュータ、プログラマブル・データ・プロセッシング装置及び他の装置又はこれらの組み合わせが特定の仕方で機能するように指令するこれらのコンピュータ可読なプログラム命令は、またコンピュータ可読な記録媒体に格納することができ、その内に命令を格納したコンピュータ可読な記録媒体は、フローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作の特徴を実装する命令を含む製造品を構成する。

コンピュータ可読なプログラム命令は、またコンピュータ、他のプログラマブル・データ・プロセッシング装置、又は他のデバイス上にロードされ、コンピュータ、他のプログラマブル装置、又は他のデバイス上で操作ステップのシリーズに対してコンピュータ実装プロセスを生じさせることで、コンピュータ、他のプログラマブル装置又は他のデバイス上でフローチャート及びブロック図のブロック又は複数のブロック又はこれらの組み合わせで特定される機能／動作を実装させる。

図のフローチャート及びブロック図は、本発明の種々の実施形態にしたがったシステム、方法及びコンピュータ・プログラムのアーキテクチャ、機能、及び可能な実装操作を示す。この観点において、フローチャート又はブロック図は、モジュール、セグメント又は命令の部分を表すことかでき、これらは、特定の論理的機能（又は複数の機能）を実装するための１つ又はそれ以上の実行可能な命令を含む。いくつかの代替的な実装においては、ブロックにおいて記述された機能は、図示した以外で実行することができる。例えば、連続して示された２つのブロックは、含まれる機能に応じて、実際上１つのステップとして遂行され、同時的、実質的に同時的に、部分的又は完全に一時的に重ね合わされた仕方で実行することができ、又は複数のブロックは、時として逆の順番で実行することができる。またブロック図及びフローチャートの図示、又はこれらの両方及びブロック図中のブロック及びフローチャートの図示又はこれらの組み合わせは、特定の機能又は動作を実行するか又は特定の目的のハードウェア及びコンピュータ命令を遂行する特定目的のハードウェアに基づいたシステムにより実装することができることを指摘する。

明細書内での“１つの実施形態”、“実施形態”、“実施例の実施形態”の参照は、説明される実施形態は特定の特徴、構造、又は特性を含むが、すべての実施形態が特定の特徴、構造、又は特性を含む必要はないことを示す。さらに、上述の文言は、同一の実施形態を参照する必要はない。さらに、特定の特徴、構造、又は特性が１つの実施形態に関連して説明される場合、明示的に記載されるか否かに拠らず、当業者の知識の範囲内で他の実施形態との関係においてそのような特徴、構造又は特性に影響を与えることについて付言する。

本明細書において使用する用語は、特定の実施形態を記述する目的のためのものであり、本開示を限定することを意図するものではない。本明細書で使用するように、単数形、“ａ”、“an”及び“the”は、文脈が明らかにそれ以外を示さない限り、同様に複数形態を含むことを意図する。さらに、用語、含む“comprise”、含んでいる“comprising”、又はこれらの両方が本明細書において使用される場合、宣言された特徴、整数、ステップ、操作、要素、又はコンポーネント又はこれらの組み合わせの存在を特定するが、１つ又はそれ以上の他の特徴、整数、ステップ、操作、要素、コンポーネント又はグループ又はそれらの組み合わせの存在又は追加を除外するものでないことについて理解されるべきである。

本開示の種々の実施形態の説明は、例示の目的のために提示されたが、開示された実施形態への排他又は限定を意図するものではない。多くの変更例又は変形例は、本開示の範囲及び精神から逸脱することなく、当業者において自明である。本明細書で使用する用語は、本実施形態の原理、実用的用途、又は市場において見出される技術を超える技術的改善を最良に説明するため、又は本明細書において開示された実施形態を当業者の他の者が理解できるようにするために選択したものである。

Claims (27)

1. 気象レーダ・イメージを予測するためのコンピュータ実装方法であって、前記方法は、
   １つ又はそれ以上のコンピュータ・プロセッサにより、ウェザー・フォーキャスト・データに基づいて第１の予測レーダ・イメージを生成するために第１の機械学習モデルを構築することと、
   １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第１の予測レーダ・イメージ及び１つ又はそれ以上の第１のレーダ・イメージに基づいて第２の予測レーダ・イメージを生成するために第２の機械学習モデルを構築することと、
   １つ又はそれ以上の前記コンピュータ・プロセッサにより、ロケーション及び時間についてのウェザー・フォーキャスト・データを前記第１の機械学習モデルに提供すること及び前記第１の予測レーダ・イメージ及び前記ロケーションに対する前記第１のレーダ・イメージを前記第２の機械学習モデルに提供することにより、増強された予測レーダ・イメージを生成することと
   を含むコンピュータ実装方法。
2. 前記ウェザー・フォーキャスト・データは、特定のロケーション及び時間的期間に関連する、請求項１に記載のコンピュータ実装方法。
3. 前記第１のレーダ・イメージは、前記特定のロケーション及び時間的期間に関連する、請求項２に記載のコンピュータ実装方法。
4. 前記第１の機械学習モデルは、ウェザー・フォーキャスト・データ及び第２のレーダ・イメージを使用してトレーニングされる、請求項１に記載のコンピュータ実装方法。
5. 前記第２の機械学習モデルは、前記第２のレーダ・イメージ及び前記第１の予測レーダ・イメージを使用してトレーニングされる、請求項４に記載のコンピュータ実装方法。
6. さらに、複数の高度における増強された予測レーダ・イメージを生成することを含む、請求項１に記載のコンピュータ実装方法。
7. 前記ウェザー・フォーキャスト・データは、降雨データを含む、請求項１に記載のコンピュータ実装方法。
8. 請求項１～７の何れか１項に記載のコンピュータ実装方法を、コンピュータが実行するためのプログラム命令を含むコンピュータ・プログラム。
9. 気象レーダ・イメージを予測するためのコンピュータ・システムであって、前記コンピュータ・システムが、
   １つ又はそれ以上のコンピュータ・プロセッサと、
   １つ又はそれ以上のコンピュータ可読なストレージ・デバイスと、
   前記１つ又はそれ以上のコンピュータ可読なストレージ・デバイス上に格納され、前記１つ又はそれ以上のコンピュータ・プロセッサによる実行のためのプログラム命令と
   を含み、前記格納されたプログラム命令が、
   ウェザー・フォーキャスト・データに基づいて第１の予測レーダ・イメージを生成する第１の機械学習モデルを構築するためのプログラム命令と、
   第１のレーダ・イメージ及び前記第１の予測レーダ・イメージに基づいて第２の予測レーダ・イメージを生成する第２の機械学習モデルを構築するためのプログラム命令と、
   ロケーション及び時間についての前記ウェザー・フォーキャスト・データを前記第１の機械学習モデルに提供すること及び前記ロケーションに対する前記第１のレーダ・イメージ及び前記第１の予測レーダ・イメージを前記第２の機械学習モデルに提供することにより、増強された予測レーダ・イメージを生成するためのプログラム命令と
   を含む、コンピュータ・システム。
10. 前記ウェザー・フォーキャスト・データは、特定のロケーション及び時間的期間に関連する、請求項９に記載のコンピュータ・システム。
11. 前記第１のレーダ・イメージは、前記特定のロケーション及び時間的期間に関連する、請求項１０に記載のコンピュータ・システム。
12. 前記第１の機械学習モデルは、前記ウェザー・フォーキャスト・データ及び第２のレーダ・イメージを使用してトレーニングされる、請求項９に記載のコンピュータ・システム。
13. 前記第２の機械学習モデルは、前記第２のレーダ・イメージ及び前記第１の予測レーダ・イメージを使用してトレーニングされる、請求項１２に記載のコンピュータ・システム。
14. さらに、複数の高度における増強された予測レーダ・イメージを生成するためのプログラム命令を含む、請求項９に記載のコンピュータ・システム。
15. 気象レーダ・イメージを予測するためのコンピュータ実装方法であって、前記方法は、
    １つ又はそれ以上のコンピュータ・プロセッサにより、ウェザー・フォーキャスト・データに基づいて第１の予測レーダ・イメージを生成するために第１の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第１の予測レーダ・イメージ及び１つ又はそれ以上の第１のレーダ・イメージに基づいて第２の予測レーダ・イメージを生成するために第２の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第２の予測レーダ・イメージに基づいて高い解像度の予測データ・イメージを生成するために第３の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、ロケーション及び時間についてのウェザー・フォーキャスト・データを前記第１の機械学習モデルに提供すること、前記第１の予測レーダ・イメージ及び前記ロケーションに対する前記第１のレーダ・イメージを前記第２の機械学習モデルに提供すること、及び前記第２の予測レーダ・イメージを前記第３の機械学習モデルに提供することにより、増強された高い解像度の予測レーダ・イメージを生成することと
    を含むコンピュータ実装方法。
16. 前記ウェザー・フォーキャスト・データは、特定のロケーション及び時間的期間に関連する、請求項１５に記載のコンピュータ実装方法。
17. 前記第１のレーダ・イメージは、前記特定のロケーション及び時間的期間に関連する、請求項１６に記載のコンピュータ実装方法。
18. 気象レーダ・イメージを予測するためのコンピュータ実装方法であって、前記方法は、
    １つ又はそれ以上のコンピュータ・プロセッサにより、空間的にインターポレートされたウェザー・フォーキャスト・データに基づいて第１の予測レーダ・イメージを生成するために第１の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第１の予測レーダ・イメージ及び１つ又はそれ以上の第１のレーダ・イメージに基づいて第２の予測レーダ・イメージを生成するために第２の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第２の予測レーダ・イメージに基づいて高解像度の予測データ・イメージを生成するために第３の機械学習モデルを構築することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、ロケーション及び時間についてのウェザー・フォーキャスト・データを前記第１の機械学習モデルに提供すること、前記第１の予測レーダ・イメージ及び前記ロケーションに対する前記第１のレーダ・イメージを前記第２の機械学習モデルに提供すること、及び前記第２の予測レーダ・イメージを前記第３の機械学習モデルに提供することにより、増強された高い解像度の予測レーダ・イメージを生成することと
    を含むコンピュータ実装方法。
19. 前記ウェザー・フォーキャスト・データは、特定のロケーション及び時間的期間に関連する、請求項１８に記載のコンピュータ実装方法。
20. 気象レーダ・イメージを予測するためのコンピュータ実装方法であって、前記方法は、
    １つ又はそれ以上のコンピュータ・プロセッサにより、ロケーション及び時間についてウェザー・フォーキャスト・データを第１の機械学習モデルに提供して第１の予測レーダ・イメージを生成することと、
    １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第１の予測レーダ・イメージ及び前記ロケーションに対する１つ又はそれ以上の第１のレーダ・イメージを第２の機械学習モデルに提供して第２の予測レーダ・イメージを生成することと
    を含むコンピュータ実装方法。
21. 前記ウェザー・フォーキャスト・データは、特定のロケーション及び時間的期間に関連する、請求項２０に記載のコンピュータ実装方法。
22. 前記第１のレーダ・イメージは、前記特定のロケーション及び時間的期間に関連する、請求項２１に記載のコンピュータ実装方法。
23. さらに、複数の高度における増強された予測レーダ・イメージを生成することを含む、請求項２０に記載のコンピュータ実装方法。
24. 前記ウェザー・フォーキャスト・データは、降雨データを含む、請求項２０に記載のコンピュータ実装方法。
25. １つ又はそれ以上の前記コンピュータ・プロセッサにより、前記第２の予測レーダ・イメージを第３の機械学習モデルに提供して高解像度の予測データ・イメージを生成すること
    をさらに含む、請求項２０に記載のコンピュータ実装方法。
26. 前記ウェザー・フォーキャスト・データは、空間的にインターポレートされる、請求項２５に記載のコンピュータ実装方法。
27. 気象レーダ・イメージを予測するためのコンピュータ・システムであって、前記コンピュータ・システムが、
    １つ又はそれ以上のコンピュータ・プロセッサと、
    １つ又はそれ以上のコンピュータ可読なストレージ・デバイスと、
    前記１つ又はそれ以上のコンピュータ可読なストレージ・デバイス上に格納され、前記１つ又はそれ以上のコンピュータ・プロセッサによる実行のためのプログラム命令と
    を含み、前記格納されたプログラム命令が、
    ロケーション及び時間についてウェザー・フォーキャスト・データを第１の機械学習モデルに提供して第１の予測レーダ・イメージを生成するためのプログラム命令と、
    前記第１の予測レーダ・イメージ及び前記ロケーションに対する１つ又はそれ以上の第１のレーダ・イメージを第２の機械学習モデルに提供して第２の予測レーダ・イメージを生成するためのプログラム命令と
    を含む、コンピュータ・システム。