GA-SmaAt-GNet：用于极端降水临近预报的生成对抗小注意力 GNet

近年来，数据驱动建模方法在各种气象应用中获得了广泛关注，特别是在天气预报领域。然而，这些方法在处理极端天气条件时往往面临挑战。为此，我们提出了 GA-SmaAt-GNet 模型，这是一种用于极端降水临近预报的新型生成对抗框架。该模型具有独特的 SmaAt-GNet 生成器，这是成功的 SmaAt-UNet 架构的扩展，能够整合降水掩膜（二值化降水图）以提高预测精度。此外，GA-SmaAt-GNet Incorporates 一个受 Pix2Pix 架构启发的注意力增强判别器。这一创新框架为利用多源数据进行生成式降水临近预报铺平了道路。我们使用来自荷兰的真实降水数据评估了 SmaAt-GNet 和 GA-SmaAt-GNet 的性能，结果显示与其他模型相比，整体性能和极端降水事件的性能均有显著提升。具体而言，我们提出的架构在夏季和秋季表现出主要的性能增益，此时降水强度通常达到峰值。此外，我们对 GA-SmaAt-GNet 模型和降水数据集进行了不确定性分析，提供了对其预测能力的见解。最后，我们采用 Grad-CAM 提供模型预测的可视化解释，生成激活热力图以突出整个网络中输入激活的区域。