MAD-SmaAt-GNet：一种用于降雨预报的多模态输送引导神经网络
机器学习
2026-03-06 v1 人工智能
摘要
降雨预报（短期预测）通常仍采用物理方程的数值求解器，计算昂贵且未充分利用大量天气数据的优势。深度学习模型在降雨预报中展现出强大的潜力，同时提供了准确性和计算效率。其中，卷积神经网络（CNN）在图像到图像预测任务中尤其有效。SmaAt-UNet 是一种轻量级 CNN 架构，已证明在降雨预报中表现出色。本文引入 Multimodal Advection-Guided Small Attention GNet（MAD-SmaAt-GNet），该模型在 SmaAt-UNet 核心基础上扩展，具体包括：（i）添加额外编码器以从多个天气变量中学习；（ii）集成基于物理的输送分量以确保预测具有物理一致性。我们表明，每个扩展单独都会提高降雨预测，而二者联合进一步提升性能。MAD-SmaAt-GNet 相对于基准 SmaAt-UNet 在四步降雨预测（最高可达四小时）中将均方误差（MSE）降低 8.9%。此外，实验表明，多模态输入在短预报时间段尤其有益，而输送基于的组件在短期和长期预测时段均能提升性能。
引用
@article{arxiv.2603.04461,
title = {MAD-SmaAt-GNet: A Multimodal Advection-Guided Neural Network for Precipitation Nowcasting},
author = {Samuel van Wonderen and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2603.04461},
year = {2026}
}
备注
12 pages, 5 figs