(English below)

Hội thảo trên web với Jussi Leinonen (MeteoSwiss); Người điều hành: Mark Higgins (Tổ chức Khai thác Vệ tinh Khí tượng Châu Âu (EUMETSAT)
Ngày 6 tháng 10 năm 2021; 11:00 giờ UTC; Đăng ký tham gia

Máy học gần đây đã được sử dụng để dự báo các hiện tượng thời tiết trong một số nghiên cứu và ứng dụng. Một trong những ứng dụng này là dự báo giông bão, trên đó một số nghiên cứu đã được công bố. Tuy nhiên, những nghiên cứu này thường chỉ sử dụng một nguồn dữ liệu và tập trung vào một nguy cơ giông bão duy nhất. Để đưa các phương pháp này vào ứng dụng trong thế giới thực, chúng tôi đang nỗ lực phát triển các phương pháp dự báo giông bão sử dụng đồng thời nhiều nguồn dữ liệu và có thể được đào tạo để tạo ra các sản phẩm cho các mối nguy hiểm khác nhau theo nhu cầu của người dùng cuối.

Phần trình bày này sẽ trình bày kết quả của hai nghiên cứu dự báo liên quan. Trước tiên, chúng tôi thảo luận về phân tích của chúng tôi về tính hữu ích của các nguồn dữ liệu khác nhau. Phân tích này được thực hiện bằng cách sử dụng phương pháp tăng độ dốc, cho phép định lượng giá trị của các yếu tố dự báo khác nhau theo cách đơn giản. Chúng tôi thảo luận về lợi ích của các nguồn dữ liệu khác nhau đối với việc dự báo lượng mưa, mưa đá và sét. Các nguồn dữ liệu được xem xét được lấy từ mạng radar NEXRAD, ABI (Advanced Baseline Imager) và thiết bị GLM (Geostatiatic Lightning Mapper) trên vệ tinh GOES-16, dự báo thời tiết số ECMWF (NWP) và mô hình độ cao kỹ thuật số (DEM). Chúng tôi xem xét các tình huống khác nhau trong đó một số dữ liệu đầu vào có thể không có sẵn do hết dữ liệu hoặc giới hạn địa lý và phân tích tác động của những tình huống này đối với chất lượng của phát hiện.

Thứ hai, chúng tôi trình bày trọng tâm hiện tại của các nỗ lực của chúng tôi, dựa trên kết quả của công việc nêu trên. Mục tiêu của công việc này là tạo ra một khuôn khổ dựa trên học sâu cho các dự báo xác suất về sự xuất hiện của các sự kiện nguy hiểm. Chúng tôi sử dụng mạng nơ-ron tích tụ để phân tích cấu trúc không gian của trường khí quyển và mạng lặp lại để mô hình hóa sự tiến hóa theo thời gian của chúng. Các nguồn dữ liệu tương tự như nghiên cứu trước, sử dụng dữ liệu radar, vệ tinh và sét, dự báo NWP và dữ liệu tĩnh như DEM. Cuối cùng, chúng tôi sẽ thảo luận về các hướng đi trong tương lai cho công việc và kết nối với các nghiên cứu khác đang được thực hiện đồng thời. Mục tiêu cuối cùng là một hệ thống dự báo liền mạch có thể sử dụng tối ưu cả các quan sát thời gian thực và dữ liệu NWP và cũng có thể được điều chỉnh để sử dụng trong các ứng dụng khác ngoài dự báo giông bão.

Làm thế nào để tham gia
Chúng tôi sẽ gặp bạn trên Hội thảo trên web về Zoom
Zoom là một công cụ hội nghị truyền hình dựa trên web với máy khách cục bộ, máy tính để bàn và ứng dụng dành cho thiết bị di động cho phép chúng ta gặp gỡ trực tuyến.
Bạn không cần có tài khoản để tham gia phiên. Để tham gia, chỉ cần nhấp vào liên kết được cung cấp khi đăng ký. (Bạn gặp sự cố khi tham gia?)

Dưới đây là một số mẹo mà bạn có thể cân nhắc:

1. Để có chất lượng âm thanh tốt hơn, vui lòng chuẩn bị tai nghe có micrô.
2. Tham gia sớm từ 5-10 phút để kiểm tra âm thanh của bạn. Đây là cách làm.
3. Sử dụng tên thật của bạn.

Cần trợ giúp về Zoom?

Chúng tôi muốn đảm bảo rằng bạn sẽ nhận được sự hỗ trợ khi bạn cần. Trong phiên, vui lòng sử dụng cửa sổ Trò chuyện và chọn Gửi đến: Hỗ trợ để gửi tin nhắn đến các đồng nghiệp của chúng tôi, những người có thể giúp bạn.

Câu hỏi của bạn trên Slido.com
Trong hội thảo trên web, chúng tôi sẽ sử dụng Slido để trả lời các câu hỏi của bạn. Truy cập Slido.com và sử dụng # EUMSC17 hoặc nhấp vào đây. Không cần đăng nhập. Bạn có thể tham gia Slido từ điện thoại của mình.

Ghi âm và tài nguyên
Hội thảo trên web sẽ được ghi lại. Sau buổi học, bản ghi âm sẽ được cung cấp tại trang này.

Thông tin thêm về đào tạo EUMETSAT
Các hoạt động đào tạo của chúng tôi hỗ trợ người dùng ở các quốc gia thành viên và giữa các thành viên của Tổ chức Khí tượng Thế giới (WMO) trong việc áp dụng dữ liệu, sản phẩm và dịch vụ của EUMETSAT, bao gồm cả dữ liệu Copernicus do EUMETSAT cung cấp.

------

[EUMETSAT -ONLINE SHORT COURSE] MACHINE LEARNING FOR SEAMLESS THUNDERSTORM NOWCASTING FROM MULTIPLE DATA SOURCES 
Webinar with Jussi Leinonen (MeteoSwiss); Moderator: Mark Higgins ( The European Organisation for the Exploitation of Meteorological Satellites (EUMETSAT) 
6 October 2021; 11:00 UTC; Register to join 

Machine learning has recently been used for nowcasting weather phenomena in several studies and applications. One of these applications is thunderstorm nowcasting, on which several studies have already been published. However, these studies usually make use of only one data source and concentrate on a single thunderstorm hazard. In order to bring these methods to real-world applications, we are working to develop thunderstorm nowcasting methods that make use of multiple sources of data simultaneously and can be trained to create products for different hazards according to the needs of the end user.

This presentation will present the results of two related nowcasting studies. First, we discuss our analysis of the usefulness of different data sources. This analysis was carried out using the gradient boosting method, which allow the value of different predictors to be quantified in straightforward fashion. We discuss the benefits of different data sources for precipitation, hail and lightning nowcasting. The data sources considered are derived from the NEXRAD radar network, the ABI (Advanced Baseline Imager) and the GLM (Geostationary Lightning Mapper) instruments on the GOES-16 satellite, the ECMWF numerical weather prediction (NWP) forecasts, and a digital elevation model (DEM). We consider various scenarios where some of the input data might be unavailable due to data outages or geographical limitations, and analyze the impact of these situations on the quality of the nowcast.

Second, we present the current focus of our efforts, building on the results of the above-mentioned work. The goal of this work is to create a framework based on deep learning for probabilistic nowcasts of the occurrence of hazardous events. We use convolutional neural networks to analyze the spatial structure of the atmospheric fields and recurrent networks to model their time evolution. The data sources are similar to the previous study, using radar, satellite and lightning data, NWP forecasts, and static data such as the DEM. Finally, we will discuss future directions for the work and connections to other studies being carried out concurrently. The end goal is a seamless nowcasting system that can make optimal use of both near-real-time observations and NWP data and which can also be adapted for use in other applications besides thunderstorm nowcasting.

How to participate

We'll meet you on Zoom Webinar 

Zoom is a web-based video conferencing tool with a local, desktop client and a mobile app that allows us to meet online. 
You do not need an account to join the session. To join, simply click the link provided when registering. (Troubles joining?)

Here are a few tips you may consider:

1. For better audio quality, please prepare a headset with a microphone.
2. Join 5-10 minutes early to test your audio. Here is how to do it. 
3. Use your real name. 

Need help in Zoom?

We want to make sure you get support when you need it. During the session, please use the Chat window and select Send to: Support to send a message to our colleagues who can help you. 

Your questions on Slido.com

During the webinar, we will be using Slido to answer your questions. Go to Slido.com and use #EUMSC17 or click here. No log in required. You can join Slido from your phone.

Recording and resources

The webinar will be recorded. After the session, the recording will be made available at this page. 

More on EUMETSAT training

Our training activities support users in the member states and among the World Meteorological Organization (WMO) members in the application of EUMETSAT data, products, and services, including Copernicus data provided by EUMETSAT

Geolink tổng hợp từ EUMETSAT