用于降雨 nowcasting 的高效计算深度学习模型：针对 Weather4cast 2025 挑战的解决方案
计算机视觉与模式识别
2025-11-17 v1
摘要
本研究提出一种基于卷积门控循环单元 (ConvGRU) 的迁移学习框架，用于 Weather4Cast 2025 竞赛中的短时降雨预测。仅使用单个 SEVIRI 红外通道（波长为 10.8 m）作为输入， comprising 该通道在一小时内的四个观测。应用两阶段训练策略，生成可提前四小时的降雨估计。在第一阶段，ConvGRU 被训练预测来自 SEVIRI 的亮度温度，从而使模型能够捕获相关时空模式。在第二阶段，采用经验推导出的非线性变换将预测场映射到符合 OPERA 标准的降雨率。对于事件预测任务，经转换后的降雨预报经 3D 事件检测及时空特征提取处理，以识别和特征化降雨事件。我们的提交在累计降雨任务中获得第二名。进一步地，该模型即插即用地用于事件预测任务，得分与竞赛基线模型相当。
引用
@article{arxiv.2511.11197,
title = {Computationally-efficient deep learning models for nowcasting of precipitation: A solution for the Weather4cast 2025 challenge},
author = {Anushree Bhuskute and Kaushik Gopalan and Jeet Shah},
journal= {arXiv preprint arXiv:2511.11197},
year = {2025}
}