面向降雨预报的时间-空间 Transformer
计算机视觉与模式识别
2026-02-03 v2
摘要
全球气象机构依赖实时洪涝指导发布致命生存建议和警告。数十年来，传统数值天气预报（NWP）模型一直是降雨预测的先进技术。然而，物理参数化模型存在若干核心局限：其一，求解大气动力学偏微分方程（PDE）计算负担沉重；其二，这些方法在预报时限为 0-4 小时的即时预报阶段性能下降。为此，近期研究提出基于 AI 的天气预测（AI-WP）替代方案，通过神经网络学习模拟分析数据。虽然这些数据驱动方法在不同空间和时间分辨率下取得了巨大成功，但将视频理解架构应用于天气预测仍鲜有探索。为此，我们提出了\textbf{SaTformer}：一种基于完全时空注意力构建的视频 Transformer，能够 skillfully 预测卫星辐射制造的极端降雨。我们引入了一套新技术，以驾驭长尾降雨数据集。具体而言，我们将降雨回归问题重新表述为分类问题，并采用加权损失函数以解决标签不平衡问题。我们的模型在 NeurIPS Weather4Cast 2025 年“累计降雨”挑战中获得了\textbf{第一名}。代码和模型权重均可获取：\texttt{\href{github.com/leharris3/w4c-25}{github.com/leharris3/satformer}}。
引用
@article{arxiv.2511.11090,
title = {A Space-Time Transformer for Precipitation Nowcasting},
author = {Levi Harris and Tianlong Chen},
journal= {arXiv preprint arXiv:2511.11090},
year = {2026}
}
备注
NeurIPS Weather4Cast Challenge 2025. Title change; minor math corrections