修正级联降雨预报中的分布迁移
机器学习
2026-02-24 v3
摘要
降雨预报旨在通过利用当前雷达观察数据，提供高时空分辨率的降雨预测，是区域气象预报的核心任务。最近，级联架构已成为深度学习降雨预报的主流范式。该范式涉及使用确定性模型预测后验均值，然后使用概率模型生成局部随机性。然而，现有方法常常忽略了确定性预测中系统分布迁移与局部随机性的混合问题。结果是，确定性组件的分布迁移会污染概率组件的预测，导致降雨模式和强度在较长预测时限上不准确。为解决此问题，我们引入 RectiCast，一个两阶段框架，通过双 Flow Matching 模型显式地将均值场迁移的校正与局部随机性生成分离。在第一个阶段，确定性模型生成后验均值。在第二个阶段，我们引入校正器（Rectifier）来显式学习分布迁移并生成校正后的均值。随后，生成器（Generator）专注于以校正后的均值为条件输入，建模局部随机性。在两个雷达数据集上的实验表明，RectiCast 在现有最先进方法之上实现了显著的性能提升。
引用
@article{arxiv.2511.17628,
title = {Rectifying Distribution Shift in Cascaded Precipitation Nowcasting},
author = {Fanbo Ju and Haiyuan Shi and Qingjian Ni},
journal= {arXiv preprint arXiv:2511.17628},
year = {2026}
}