Extreme Weather Nowcasting via Local Precipitation Pattern Prediction
作者: Changhoon Song, Teng Yuan Chang, Youngjoon Hong
分类: cs.LG, cs.CV
发布日期: 2026-02-05
备注: 10pages, 20 figures, The Fourteenth International Conference on Learning Representations, see https://github.com/tony890048/exPreCast
💡 一句话要点
exPreCast：基于局部降水模式预测的极端天气临近预报框架
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 临近预报 极端天气 降水预测 时空注意力 雷达图像
📋 核心要点
- 现有临近预报模型在处理极端天气事件时，面临数据偏差和计算效率的挑战，难以兼顾准确性和实时性。
- 论文提出exPreCast框架，利用局部时空注意力机制和纹理保持上采样，提升对精细降水结构的预测能力。
- 在多个数据集上的实验表明，exPreCast在普通和极端降雨场景下均能实现优异的预测性能，达到SOTA水平。
📝 摘要（中文）
准确预测强降雨或风暴等极端天气事件对于风险管理和灾害缓解至关重要。虽然高分辨率雷达观测推动了临近预报模型的研究，但由于显著的空间局部性、复杂的精细尺度降雨结构以及预测范围的可变性，降水临近预报仍然具有挑战性。最近基于扩散的生成集成模型显示出有希望的结果，但计算成本高昂，不适合实时应用。相比之下，确定性模型计算效率高，但仍然偏向于正常降雨。此外，先前研究中常用的基准数据集本身存在偏差——要么以普通降雨事件为主，要么仅限于极端降雨事件——从而阻碍了在实际环境中的普遍适用性。在本文中，我们提出了 exPreCast，这是一个高效的确定性框架，用于生成精细的雷达预报，并介绍了来自韩国气象厅 (KMA) 的新建平衡雷达数据集，该数据集包含普通降水和极端事件。我们的模型集成了局部时空注意力、纹理保持立方双重上采样解码器和时间提取器，以灵活地调整预测范围。在已建立的基准（SEVIR 和 MeteoNet）以及平衡的 KMA 数据集上的实验表明，我们的方法实现了最先进的性能，在正常和极端降雨情况下都能提供准确可靠的临近预报。
🔬 方法详解
问题定义：现有降水临近预报模型面临的挑战包括：1）数据集偏差，现有数据集要么侧重于普通降雨，要么只包含极端降雨，缺乏平衡；2）计算效率，基于扩散模型的生成方法虽然效果好，但计算成本高，难以实时应用；3）对极端降雨事件的预测精度不足，确定性模型容易偏向于预测普通降雨。
核心思路：论文的核心思路是设计一个高效的确定性模型，能够同时处理普通降雨和极端降雨，并能捕捉到精细的降水结构。通过引入局部时空注意力机制，模型能够关注局部区域内的时空相关性，从而更准确地预测降水模式。纹理保持上采样解码器则用于生成高分辨率的预测结果。
技术框架：exPreCast框架主要包含以下几个模块：1）输入层：接收雷达观测数据；2）局部时空注意力模块：提取局部区域内的时空特征；3）时间提取器：用于灵活调整预测范围；4）纹理保持立方双重上采样解码器：生成高分辨率的降水预测结果；5）输出层：输出预测的雷达图像。
关键创新：论文的关键创新点在于：1）提出了一个高效的确定性框架，能够在保证预测精度的同时，实现实时应用；2）引入了局部时空注意力机制，能够更好地捕捉局部区域内的时空相关性；3）设计了纹理保持立方双重上采样解码器，能够生成高分辨率的预测结果；4）构建了一个平衡的雷达数据集，包含普通降水和极端降雨事件，有助于模型的泛化能力。
关键设计：在局部时空注意力模块中，使用了可分离卷积来降低计算复杂度。纹理保持立方双重上采样解码器采用了一种特殊的上采样方法，能够在放大图像的同时，保留图像的纹理细节。损失函数方面，使用了均方误差（MSE）损失和感知损失的加权组合，以提高预测结果的视觉质量。
🖼️ 关键图片
📊 实验亮点
exPreCast在SEVIR、MeteoNet和KMA数据集上均取得了SOTA性能。在KMA数据集上，exPreCast在CSI指标上超越了现有最佳模型，尤其是在极端降雨事件的预测上，显著降低了预测偏差，提高了预测准确性。实验结果表明，该模型在普通和极端降雨场景下均具有良好的泛化能力。
🎯 应用场景
该研究成果可应用于气象预报部门，为城市内涝预警、农业生产防灾减灾、交通运输安全保障等领域提供更准确、及时的临近预报信息。通过提升极端天气事件的预测能力，有助于降低自然灾害带来的经济损失和人员伤亡，具有重要的社会价值和经济效益。
📄 摘要（原文）
Accurate forecasting of extreme weather events such as heavy rainfall or storms is critical for risk management and disaster mitigation. Although high-resolution radar observations have spurred extensive research on nowcasting models, precipitation nowcasting remains particularly challenging due to pronounced spatial locality, intricate fine-scale rainfall structures, and variability in forecasting horizons. While recent diffusion-based generative ensembles show promising results, they are computationally expensive and unsuitable for real-time applications. In contrast, deterministic models are computationally efficient but remain biased toward normal rainfall. Furthermore, the benchmark datasets commonly used in prior studies are themselves skewed--either dominated by ordinary rainfall events or restricted to extreme rainfall episodes--thereby hindering general applicability in real-world settings. In this paper, we propose exPreCast, an efficient deterministic framework for generating finely detailed radar forecasts, and introduce a newly constructed balanced radar dataset from the Korea Meteorological Administration (KMA), which encompasses both ordinary precipitation and extreme events. Our model integrates local spatiotemporal attention, a texture-preserving cubic dual upsampling decoder, and a temporal extractor to flexibly adjust forecasting horizons. Experiments on established benchmarks (SEVIR and MeteoNet) as well as on the balanced KMA dataset demonstrate that our approach achieves state-of-the-art performance, delivering accurate and reliable nowcasts across both normal and extreme rainfall regimes.