时间序列模型在降水临近预报中的有效性如何？基于GNSS的降水临近预报综合基准测试
机器学习
2025-11-05 v3 人工智能
大气与海洋物理
机器学习
摘要
降水临近预报旨在预测未来0至6小时内的降水，对减灾和实时响应规划至关重要。然而，气象学中的大多数时间序列预测基准都是在具有强周期性的变量（如温度和湿度）上进行评估的，无法反映模型在降水临近预报等更复杂且更具实际气象意义的场景中的能力。为填补这一空白，我们提出了 RainfallBench，一个专为降水临近预报设计的基准。降水临近预报是一项极具挑战性且与实际密切相关的任务，具有零膨胀、时间衰减和非平稳性特征，侧重于预测未来0至6小时内的降水。该数据集源自全球140多个全球导航卫星系统（GNSS）站点记录的五年气象观测数据，以小时为间隔记录了六个基本变量。特别地，它包含了可降水量（PWV），这是其他数据集中缺失的关键降雨指标。我们进一步设计了专门的评估协议，以评估模型在关键气象挑战上的表现，包括多尺度预测、多分辨率预报和极端降雨事件，并在 RainfallBench 上对六种主要架构的17个SOTA模型进行了基准测试。此外，为了解决现有模型忽略的零膨胀和时间衰减问题，我们引入了 Bi-Focus Precipitation Forecaster (BFPF)，这是一个结合领域特定先验以增强降雨时间序列预测的即插即用模块。统计分析和消融实验验证了我们数据集的全面性以及我们方法的优越性。
引用
@article{arxiv.2509.25263,
title = {How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting},
author = {Yifang Zhang and Shengwu Xiong and Henan Wang and Wenjie Yin and Jiawang Peng and Yuqiang Zhang and Chen Zhou and Hua Chen and Qile Zhao and Pengfei Duan},
journal= {arXiv preprint arXiv:2509.25263},
year = {2025}
}
备注
13 pages,11 figures