SimCast：基于短期到长期知识蒸馏提升降水预报
计算机视觉与模式识别
2025-10-10 v1 机器学习
摘要
降水预报 nowcasting 基于当前观测结果预测未来雷达序列，这是一项极具挑战性的任务，源于地球系统的内在复杂性。准确的 nowcasting 对解决诸多社会需求至关重要，包括灾害管理、农业、交通和能源优化。作为现有非自回归 nowcasting 方法的补充，我们研究了预测时段对 nowcasting 模型的影响，并提出 SimCast，一种新颖的训练管道，集成了短期到长期知识蒸馏技术，并采用加权 MSE 损失以优先重水浓灾区。无需在推理阶段引入额外开销，即可获得改进的 nowcasting 预测。由于 SimCast 生成确定性预测，我们进一步将其集成到名为 CasCast 的扩散框架中，利用概率模型的优势来克服模糊化和分布迁移等确定性输出的局限性。在三个基准数据集上的大量实验表明，所提出的框架有效性显著提升，在 SEVIR 上实现 0.452 的平均 CSI 分数，在 HKO-7 上实现 0.474，在 MeteoNet 上实现 0.361，显著优于现有方法。
引用
@article{arxiv.2510.07953,
title = {SimCast: Enhancing Precipitation Nowcasting with Short-to-Long Term Knowledge Distillation},
author = {Yifang Yin and Shengkai Chen and Yiyao Li and Lu Wang and Ruibing Jin and Wei Cui and Shili Xiang},
journal= {arXiv preprint arXiv:2510.07953},
year = {2025}
}
备注
accepted by ICME 2025