RainSeer: 基于物理引导建模的细粒度降雨重建
机器学习
2025-10-08 v2 人工智能
摘要
重建高分辨率降雨场对洪水预报、水文建模和气候分析至关重要。然而，现有的空间插值方法——无论是基于自动气象站（AWS）测量还是借助卫星/雷达观测增强——往往过度平滑关键结构，无法捕捉锐利过渡和局部极端值。我们提出了 RainSeer，一个结构感知的重建框架，将雷达反射率重新解读为物理上合理的结构先验——捕捉降雨何时、何地以及如何发展。这一转变引入了两个基本挑战：(i) 将高分辨率体积雷达场转化为稀疏点式降雨观测，(ii) 弥合空中水成物与地面降水之间的物理脱节。RainSeer 通过一个物理信息的两阶段架构来解决这些问题：一个结构到点映射器通过双向映射将中尺度雷达结构投影到局部地面降雨，一个地理感知降雨解码器通过因果时空注意力机制捕捉水成物在下降、融化和蒸发过程中的语义转换。我们在两个公开数据集——RAIN-F（韩国，2017–2019）和 MeteoNet（法国，2016–2018）——上评估了 RainSeer，观察到相对于最先进基线的一致改进，MAE 降低超过 13.31%，并显著增强了重建降雨场的结构保真度。
引用
@article{arxiv.2510.02414,
title = {RainSeer: Fine-Grained Rainfall Reconstruction via Physics-Guided Modeling},
author = {Lin Chen and Jun Chen and Minghui Qiu and Shuxin Zhong and Binghong Chen and Kaishun Wu},
journal= {arXiv preprint arXiv:2510.02414},
year = {2025}
}