Precipitation nowcasting of satellite data using physically-aligned neural networks
作者: Antônio Catão, Melvin Poveda, Leonardo Voltarelli, Paulo Orenstein
分类: cs.LG
发布日期: 2025-11-07 (更新: 2025-11-11)
💡 一句话要点
提出TUPANN，一种基于物理对齐神经网络的卫星降水临近预报模型
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 降水临近预报 卫星数据 物理对齐 深度学习 光流 可微平流 GOES-16 MaxViT
📋 核心要点
- 现有降水临近预报依赖密集雷达网络，在气候极端地区应用受限，精度不足。
- TUPANN将预报分解为物理意义组件，利用光流监督和可微平流算子提升预报效果。
- 实验表明，TUPANN在多种气候和阈值下表现优异，尤其在高阈值下提升显著。
📝 摘要（中文）
本研究提出了一种名为TUPANN（可迁移通用物理对齐临近预报网络）的卫星数据降水临近预报模型，旨在解决气候极端地区因缺乏密集雷达网络而导致的预报精度不足问题。TUPANN模型基于GOES-16 RRQPE数据进行训练，不同于以往的深度学习临近预报模型，TUPANN将预报过程分解为具有物理意义的组件：变分编码器-解码器在光流监督下从近期图像中推断运动和强度场；前置时间条件MaxViT演化潜在状态；可微平流算子重建未来帧。在GOES-16和IMERG数据上，针对里约热内卢、马瑙斯、迈阿密和拉巴斯四种不同气候，以4-64 mm/h的阈值，在10-180分钟的提前期内，使用CSI和HSS指标评估了TUPANN的性能。结果表明，在大多数情况下，TUPANN的性能优于或接近最佳，尤其是在较高阈值下。多城市训练进一步提高了性能，而跨城市实验显示出轻微的性能下降，但在罕见的强降雨情况下偶尔会有所提升。该模型产生与数值光流对齐的平滑、可解释的运动场，并且由于GOES-16的低延迟，可以近实时运行。这些结果表明，物理对齐学习可以提供有效、可迁移和全球化的临近预报。
🔬 方法详解
问题定义：现有的降水临近预报方法主要依赖于密集的地面雷达网络，这使得它们在缺乏雷达数据的地区（特别是那些最容易受到气候变化影响的地区）的应用受到限制。此外，传统的深度学习方法通常缺乏对物理过程的建模，导致预报结果的可解释性较差，难以捕捉极端降水事件。
核心思路：TUPANN的核心思路是将物理知识融入到深度学习模型中，通过分解预报过程为具有物理意义的组件，例如运动场和强度场，来提高模型的预报精度和可解释性。这种物理对齐的方法旨在使模型能够更好地理解和模拟降水系统的演变过程，从而实现更准确的临近预报。
技术框架：TUPANN的整体架构包含以下几个主要模块：1) 变分编码器-解码器：从近期卫星图像中提取运动和强度场的潜在表示。2) 光流监督：利用光流信息对运动场进行约束，提高运动估计的准确性。3) Lead-time-conditioned MaxViT：利用MaxViT网络演化潜在状态，预测未来时刻的运动和强度场。4) 可微平流算子：利用预测的运动场对强度场进行平流，重建未来时刻的降水图像。
关键创新：TUPANN的关键创新在于其物理对齐的设计，即将预报过程分解为具有明确物理意义的组件，并利用物理知识对模型进行约束。这种方法不同于传统的端到端深度学习模型，后者通常缺乏对物理过程的建模。此外，TUPANN还采用了可微平流算子，使得模型可以直接学习如何利用运动场对强度场进行平流，从而提高预报的准确性。
关键设计：TUPANN的关键设计包括：1) 使用变分编码器-解码器来提取运动和强度场的潜在表示，这有助于模型学习到更鲁棒的特征。2) 利用光流信息对运动场进行监督，这可以提高运动估计的准确性。3) 使用MaxViT网络来演化潜在状态，这可以有效地捕捉降水系统的时空演变。4) 使用可微平流算子来重建未来时刻的降水图像，这使得模型可以直接学习如何利用运动场对强度场进行平流。损失函数包括光流损失、重构损失等，用于约束模型的学习过程。
🖼️ 关键图片
📊 实验亮点
TUPANN在GOES-16和IMERG数据上进行了评估，结果表明其在大多数情况下优于或接近最佳基线模型。在高降水阈值下，TUPANN的性能提升尤为显著。例如，在某些情况下，TUPANN的CSI指标比光流法提高了10%以上。多城市联合训练进一步提升了模型的泛化能力。
🎯 应用场景
TUPANN可应用于气候极端地区的降水临近预报，为防洪减灾、农业生产和水资源管理提供决策支持。该模型基于卫星数据，无需依赖地面雷达网络，具有全球适用性。未来可进一步扩展到其他气象要素的预报，例如温度、湿度等，构建更全面的气象预报系统。
📄 摘要（原文）
Accurate short-term precipitation forecasts predominantly rely on dense weather-radar networks, limiting operational value in places most exposed to climate extremes. We present TUPANN (Transferable and Universal Physics-Aligned Nowcasting Network), a satellite-only model trained on GOES-16 RRQPE. Unlike most deep learning models for nowcasting, TUPANN decomposes the forecast into physically meaningful components: a variational encoder-decoder infers motion and intensity fields from recent imagery under optical-flow supervision, a lead-time-conditioned MaxViT evolves the latent state, and a differentiable advection operator reconstructs future frames. We evaluate TUPANN on both GOES-16 and IMERG data, in up to four distinct climates (Rio de Janeiro, Manaus, Miami, La Paz) at 10-180min lead times using the CSI and HSS metrics over 4-64 mm/h thresholds. Comparisons against optical-flow, deep learning and hybrid baselines show that TUPANN achieves the best or second-best skill in most settings, with pronounced gains at higher thresholds. Training on multiple cities further improves performance, while cross-city experiments show modest degradation and occasional gains for rare heavy-rain regimes. The model produces smooth, interpretable motion fields aligned with numerical optical flow and runs in near real time due to the low latency of GOES-16. These results indicate that physically aligned learning can provide nowcasts that are skillful, transferable and global.