面向降水预测的知识引导自适应专家混合模型

精准的降水预测在农业、灾害管理和可持续发展策略中至关重要。然而，由于气候系统的复杂性以及多源观测数据（包括雷达、卫星图像和地面测量数据）的异构性，降雨预测一直备受挑战。这些多源数据在空间和时间分辨率上各不相同，且携带特定领域的特征，使得在传统深度学习模型中进行有效集成颇具挑战性。以往的研究探索了多种机器学习技术用于天气预测;然而，大多数方法在处理异构模态数据集成方面仍存在困难。为此，我们提出了针对降水率预测的自适应专家混合模型 (Adaptive Mixture of Experts, MoE)。模型中的每个专家专注于特定的模态或时空模式。我们还引入了动态路由器，以学习将输入分配给最相关的专家。结果表明，这一模块化设计不仅提升了预测精度，也增强了可解释性。除 modeling 框架外，我们还开发了一套交互式基于网页的可视化工具，使用户能够直观地探索随时间和空间变化的历史天气模式。该工具旨在支持气候敏感领域利益相关者的决策。我们使用覆盖2022年飓风Ian期间真实世界条件的精选多模态气候数据集进行评估。基准结果表明，自适应MoE显著优于所有基线方法。