Short-Horizon Sparse Model Predictive Control for Precipitation Reduction Using Numerical Weather Prediction

📄 arXiv: 2607.04746v1 📥 PDF

作者: Yuta Tanikawa, Yuga Tomita, Toshiyuki Ohtsuka

分类: eess.SY, math.OC, physics.ao-ph

发布日期: 2026-07-06

备注: 16 pages, 14 figures

💡 一句话要点

提出短视野稀疏模型预测控制以减少降水

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 数值天气预报 降水控制 稀疏优化 气象调控

📋 核心要点

  1. 现有的降水控制方法在应对复杂天气事件时面临非线性演化的挑战，导致效果不佳。
  2. 本研究提出了一种结合数值天气预报与模型预测控制的框架，通过构建灵敏度矩阵来优化降水控制。
  3. 实验结果表明，MPC在降水减少方面的效果与现有方法相当，但计算时间显著降低，展示了其有效性。

📝 摘要（中文）

本研究提出了一种降水控制框架，将现实的数值天气预报（NWP）模型与模型预测控制（MPC）相结合。在每个控制时刻，基于NWP模型构建有限差分灵敏度矩阵，并用作局部线性模型，以分析大气状态扰动对未来降水的影响。随后，解决一个稀疏凸优化问题以计算控制输入，并作为对大气状态的扰动实施。为降低灵敏度分析的计算成本，将NWP模型中的多个网格点视为一个整体，并对每个块内的所有点施加均匀扰动。此外，提出了一种定制的凸优化问题，以有效控制天气事件结束时的累积降水，使用的预测视野远短于整个事件持续时间，同时促进空间稀疏的大气扰动。通过与四种控制方法的比较，MPC在降水减少方面表现出色，且计算时间显著降低。

🔬 方法详解

问题定义：本研究旨在解决如何有效控制降水的问题，现有方法在面对复杂天气事件时，由于大气非线性演化，往往无法实现预期的降水减少效果。

核心思路：论文提出的核心思路是将数值天气预报模型与模型预测控制相结合，通过构建灵敏度矩阵来捕捉大气状态扰动对降水的影响，从而实现更有效的控制。

技术框架：整体架构包括：首先利用NWP模型构建灵敏度矩阵；其次，定义稀疏凸优化问题以计算控制输入；最后，实施扰动并评估降水控制效果。

关键创新：最重要的技术创新在于引入了稀疏控制策略和短预测视野的设计，使得在计算效率和控制效果之间取得了良好的平衡。与现有方法相比，MPC能够在非线性环境中实现有效的降水控制。

关键设计：在设计中，采用了多个网格点的集体处理方式，以降低灵敏度分析的计算成本，并通过均匀扰动的方式促进空间稀疏性，优化了控制输入的计算过程。具体的损失函数和优化策略则根据实际降水控制需求进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MPC在降水减少方面的效果与收缩视野最优控制（SHOC）相当，同时相较于全视野最优控制（FH-OL）和SHOC，MPC显著降低了计算时间。这表明MPC在复杂天气事件中的应用潜力。

🎯 应用场景

该研究的潜在应用领域包括气象调控、环境管理和灾害预防等。通过有效控制降水，能够在极端天气事件中减少洪水风险，保护生态环境，并为农业灌溉提供支持，具有重要的实际价值和社会影响。

📄 摘要（原文）

This study proposes a precipitation control framework integrating a realistic Numerical Weather Prediction (NWP) model with model predictive control (MPC). At each control instant in MPC, a finite-difference sensitivity matrix is constructed from the NWP model and used as a local linear model of how perturbations to the atmospheric state affect future precipitation. A sparse convex optimization problem is then solved to compute the control input, which is implemented as a perturbation to the atmospheric state. To reduce computational cost in sensitivity analysis, multiple grid points in the NWP model are treated collectively as a single block, and a uniform perturbation is applied to all points within each block. Moreover, a tailored convex optimization problem is introduced to effectively control the accumulated precipitation at the end of a weather event, using a prediction horizon much shorter than the entire event duration while promoting spatially sparse atmospheric perturbations. To evaluate the proposed MPC method, four control methods are compared: (i) initial-only open-loop optimal control (IO-OL), (ii) full-horizon open-loop optimal control (FH-OL), (iii) shrinking-horizon optimal control (SHOC) with a fixed terminal time, and (iv) single-move MPC with a fixed prediction-horizon length. Numerical experiments on a warm bubble benchmark demonstrate that MPC achieves precipitation reduction comparable to SHOC while reducing the total computational time relative to FH-OL and SHOC. Moreover, despite using a linear prediction model, MPC successfully achieves a challenging level of precipitation reduction, even when open-loop optimal control methods, namely, IO-OL and FH-OL, fail because of nonlinear atmospheric evolution. These findings suggest that MPC is a promising control framework for NWP-based precipitation reduction in complex weather events.