基于物理对齐神经网络的卫星数据降雨即时预报
机器学习
2025-11-12 v2
摘要
准确的短期降雨预报主要依赖稠密气象雷达网络，这在暴露于气候极端事件的地区限制了其实际应用价值。我们提出了TUPANN（可迁移通用物理对齐即时预报网络），一种仅使用卫星数据的模型，训练于GOES-16 RRQPE数据。与大多数深度学习即时预报模型不同，TUPANN将预测分解为物理意义上的组成部分：变分编码器解码器在光学流监督下从最近的影像中推断运动和强度场，一个随时间条件化的MaxViT演化潜在状态，以及可微分的迁移算子重构未来帧。我们在GOES-16和IMERG数据上进行评估，分别在4-180分钟的预报时滞下，使用CSI和HSS指标对4-64 mm/h阈值进行评估。与光学流、深度学习和混合基线进行比较，结果显示TUPANN在大多数情形下实现最佳或第二佳技能，在较高阈值处提升尤为显著。多城市训练进一步提高了性能，而跨城市实验显示在稀有强降雨情形下表现有轻微下降甚至提升。该模型产生光滑、可解释的运动场，与数值光学流对齐，且由于GOES-16的低延迟，可实现近实时运行。这些结果表明，物理对齐的学习可以提供技能优越、可迁移且适用于全球的即时预报。
引用
@article{arxiv.2511.05471,
title = {Precipitation nowcasting of satellite data using physically-aligned neural networks},
author = {Antônio Catão and Melvin Poveda and Leonardo Voltarelli and Paulo Orenstein},
journal= {arXiv preprint arXiv:2511.05471},
year = {2025}
}