SSA-UNet：通过通道洗牌实现precipitation nowcasting的高级方法
机器学习
2025-04-28 v1
摘要
天气预报对于促进多样化的社会经济活动和环境保护措施至关重要。深度学习技术正日益被探索作为数值天气预报(NWP)模型的补充方法，具有潜在优势，如降低复杂性和在特定应用中增强灵活性。本工作提出一种新设计Small Shuffled Attention UNet(SSA-UNet)，通过包含洗牌通道机制来增强SmaAt-UNet的架构，以优化性能并降低复杂度。为评估其效能，本文考察并训练了该架构及其减化变体，在两个数据集上进行训练：2016至2019年的荷兰降水数据集，以及包含2017至2018年雷达图像的法国云量数据集。评估了该提议架构的三种输出配置，分别生成1、6和12个降水图。为更好地理解该模型如何运作并生成其预测，采用称为Grad-CAM的梯度基于方法来分析生成的输出。通过Grad-CAM生成的热图分析，促进了识别输入图中模型认为最具信息量的区域，以生成其预测。SSA-UNet的实现可在我们的GitHub上找到\footnote{\href{https://github.com/MarcoTurzi/SSA-UNet}{https://github.com/MarcoTurzi/SSA-UNet}}
引用
@article{arxiv.2504.18309,
title = {SSA-UNet: Advanced Precipitation Nowcasting via Channel Shuffling},
author = {Marco Turzi and Siamak Mehrkanoon},
journal= {arXiv preprint arXiv:2504.18309},
year = {2025}
}
备注
8 pages. 8 figs