IMPA-Net：面向极端对流雷达预报的气象感知多尺度注意与动态损失
机器学习
2026-04-28 v1
摘要
从气象雷达观测结果进行短程对流降水预测，对于 severe 天气预警至关重要。然而，采用像素级误差度量进行训练的深度学习模型倾向于产生过于平滑的预测，抑制了对危害检测至关重要的强烈回响。由于多尺度特征交互不足以及异构地理输入融合次优，这一问题进一步恶化。在本文中，我们提出了 IMPA-Net（Integrated Multi-scale Predictive Attention Network），一个确定性 0-2 小时预报框架，通过在输入、架构和损失函数水平上进行气象感知设计来解决上述局限性。一个无参数的 Spatial Mixer 通过确定性通道置换在 mesoscale-γ 邻域（约2公里）内重组异构输入通道，提供结构化的跨场先验。集成的多尺度预测注意力模块作为时空翻译器，捕获从 mesoscale-β 到 mesoscale-γ 尺度的动力学。气象感知动态损失采用三级非对称加权——在训练周期、storm 强度和预报 lead time 上进行调整——以抵消回归到均值的趋势。在以东华北地区的多源雷达数据集上评估的 7 种基线方法表明，IMPA-Net 将 Heidke Skill Score 提升至 ≥45 dBZ 时从 0.049（SimVP 基线）提升至 0.143。相对于 pySTEPS，IMPA-Net 在 severe 事件检测与误报控制之间提供了更好的权衡。谱分析确认该方法在竞争方法显示的 progressively 平滑的 mesoscale 频段中保持了能量。这些改进仅在单个领域和对流气候条件下实现；对其他山地和气候区域的可推广性仍需进一步测试。
引用
@article{arxiv.2604.24224,
title = {IMPA-Net: Meteorology-Aware Multi-Scale Attention and Dynamic Loss for Extreme Convective Radar Nowcasting},
author = {Haofei Cui and Guangxin He and Juanzhen Sun and Jingjia Luo and Haonan Chen and Xiaoran Zhuang and Mingxuan Chen and Xian Xiao},
journal= {arXiv preprint arXiv:2604.24224},
year = {2026}
}