神经网络在降水预测中的综述
机器学习
2026-04-03 v2
摘要
降水预测经历了深刻的转变。传统数值天气预报（NWP）的一个显著局限性是需要广泛的统计后处理。为此developed了基于神经网络的方法。这些方法提供了一个直接从大气预测变量学习到降水目标的框架。基于技术发展，本文首先回顾了传统的降水预测方法并总结了基于神经网络的降水预测发展趋势。我们随后概述了训练过程、损失函数和一些用于降水预测的数据集。在文章的主体中，我们详细描述了基本的人工神经网络（ANN）、空间特征提取模型、时间特征提取模型、生成模型、Transformer模型、图神经网络（GNN）以及新兴的混合模型。最后，在附录中，我们补充了常用的评估指标。本文聚焦于各种神经网络模型在降水预测应用中的优缺点，也关注基于神经网络的方法的最新进展。总体而言，神经网络显著提高了短期和中期降水预测的准确性，但仍面临在表示极端降雨、处理不平衡数据和确保物理一致性方面的挑战。最新的进展表明，未来的预测系统将越来越依赖于整合多个数据来源和混合物理-数据驱动模型来增强其鲁棒性和适用性。通过覆盖多个时代和范式的研究，我们不仅描绘了神经网络在降水预测中的历史，还概述了下一代预测系统的未来方向。
引用
@article{arxiv.2510.22855,
title = {A Review of Neural Networks in Precipitation Prediction},
author = {Yugong Zeng and Jiayuan Wang and Jonathan Wu},
journal= {arXiv preprint arXiv:2510.22855},
year = {2026}
}