基于自监督空间时间学习的降雨预报

预报是对天气的短期预测，对做出及时且依赖天气的决策至关重要。具体而言，降雨预报旨在在6小时的时间范围内对降雨进行局部预测。这个任务可以作为空间时间序列预测问题来表述，深度学习方法在这一领域方面表现尤为出色。然而，尽管在自监督学习方面取得了进展，目前最成功的预报方法仍主要是完全监督的。自监督学习在无需大量标记数据的情况下学习表征方面具有优势。在本工作中，我们利用自监督学习的优势并将其与空间时间学习相结合，开发了一种新型模型SpaT-SparK。SpaT-SparK由基于CNN的编码器-解码器结构构成，该结构采用掩码图像建模(MIM)任务进行预训练，并具备捕获过去与未来降雨图之间时间关系的翻译网络。我们在NL-50数据集上进行实验，以评估SpaT-SparK的性能。结果表明，SpaT-SparK在准确率上超过了现有的基线监督模型，如SmaAt-UNet，提供了更精确的预报预测。