VN-Net: 面向稀疏时空气象预报的视觉-数值融合图卷积网络
计算机视觉与模式识别
2024-04-26 v1 机器学习
大气与海洋物理
摘要
稀疏气象预报对于精细天气预测不可或缺，值得广泛关注。近期研究强调了时空图卷积网络（ST-GCN）在预测地面气象站数值数据方面的潜力。然而，作为保真度最高、延迟最低的数据之一，卫星视觉数据在ST-GCN中的应用尚未被探索。很少有研究证明结合上述多模态数据对稀疏气象预报的有效性。为此，我们提出了视觉-数值融合图卷积网络（VN-Net），主要利用：1）数值图卷积网络（N-GCN）自适应地建模时空数值数据的静态和动态模式；2）视觉长短期记忆网络（V-LSTM）从时序卫星图像中捕获多尺度联合通道和空间特征；3）一个基于GCN的解码器，用于生成指定气象要素的逐时预测。据我们所知，VN-Net是首次尝试引入GCN方法利用多模态数据来更好地处理稀疏时空气象预报。我们在Weather2k数据集上的实验表明，在温度、相对湿度和能见度预测的MAE和RMSE指标上，VN-Net显著优于现有最先进方法。此外，我们进行了可解释性分析并设计了量化评估指标，以评估引入视觉数据的影响。
关键词
引用
@article{arxiv.2404.16037,
title = {VN-Net: Vision-Numerical Fusion Graph Convolutional Network for Sparse Spatio-Temporal Meteorological Forecasting},
author = {Yutong Xiong and Xun Zhu and Ming Wu and Weiqing Li and Fanbin Mo and Chuang Zhang and Bin Zhang},
journal= {arXiv preprint arXiv:2404.16037},
year = {2024}
}