通过局部降雨模式预测实现极端天气预报
机器学习
2026-02-09 v2 计算机视觉与模式识别
摘要
准确预测诸如强降雨或风暴等极端天气事件对于风险管理和灾害减灾至关重要。尽管高分辨率雷达观测结果推动了许多关于预报模型的研究，但降雨预报仍然具有挑战性，主要由于显著的空间局部性、复杂的细节雨结构以及预报时段的多样性。虽然最近的扩散生成式集合模型显示出有前景的结果，但它们计算昂贵，难以用于实时应用。相比之下，确定性模型计算效率高，但倾向于正常降雨。此外，常用于先前研究的基准数据集本身也偏斜——要么以普通降雨事件为主，要么仅限于极端降雨事件——从而阻碍了在现实场景中的普遍适用性。本文提出了exPreCast框架，这是一个高效的确定性框架，用于生成细致的雷达预报，并引入了来自韩国气象局(KMA)的全新构建的平衡雷达数据集，涵盖普通降雨和极端事件。我们的模型集成了局部时空注意力、保持纹理的立方双上采样解码器以及时序提取器，以灵活调整预报时段。在 established benchmarks (SEVIR 和 MeteoNet) 以及平衡的 KMA 数据集上的实验表明，我们的方法实现了最先进的性能，跨越正常和极端降雨 regime，提供准确可靠的预报。
引用
@article{arxiv.2602.05204,
title = {Extreme Weather Nowcasting via Local Precipitation Pattern Prediction},
author = {Changhoon Song and Teng Yuan Chang and Youngjoon Hong},
journal= {arXiv preprint arXiv:2602.05204},
year = {2026}
}
备注
10pages, 20 figures, The Fourteenth International Conference on Learning Representations, see https://github.com/tony890048/exPreCast