研究了一种利用神经网络和气象卫星数据的降水插值方法，与基于线性插值的基准相比，可以降低高达 20％的洪水风险。

Mar, 2022

通过使用 2D U-Net 模型进行空时特征学习，通过重要性采样和数据集准备，以及研究交叉熵损失函数、条件时间领先和上采样方法，提升天气预报准确性。

Nov, 2023

使用 3D U-Nets 和 EarthFormers 基于多波段卫星图像对未来 8 小时的降雨进行了概率预测，并通过多模型协商和阈值优化获得了最终结果，最佳的卫星波段预测雨情的表征是云顶相位和云顶高度波段，是一项优化的模型方法。

Dec, 2022

利用深度神经网络，MetNet 能在高达 1 km² 的空间分辨率下、每 2 分钟一个时间间隔内预测未来 8 小时的降水情况。它使用轴向自注意力来聚合来自一个对应于 1 百万平方千米的大型输入块的全局上下文。研究表明，在大陆尺度上，MetNet 在各种降水阀值下的预测性能优于数值天气预报长达 7 至 8 小时。

Mar, 2020

通过利用流式雷达数据中的时间相关性，本文提出了一种利用早期退出神经网络在嵌入式设备上进行深度学习推理的新技术，以增强处理资源有限的嵌入式平台上数据流的处理效率。这些神经网络在架构的隐藏层之间添加了额外的分类器分支，允许在运行时决策机制认为其结果足够时提前终止推理，我们的方法能够更加明智地决定何时终止推理，减少计算成本同时最大限度地保持准确性损失最小。我们的结果表明，相比于单一退出网络和基于置信度的早期退出版本，我们的技术每次推理节省了多达 26% 的操作，我们提出的技术适用于通用硬件并可以与传统优化相结合，使其适用于资源有限的嵌入式平台，这在智能设备中经常使用。这种效率提升使得在资源受限平台上进行实时雷达数据处理成为可能，并在智能家居、物联网和人机交互等领域推出了新的应用。

Sep, 2023

采用深度学习技术中的 UNET 卷积神经网络，将高分辨率（1km × 1km）短期（1 小时）降水预测视为图像翻译问题，用于气候变化适应的高分辨率实时预测，表现优于光流、持续性和 NOAA 的数值一小时 HRRR 气象预测模型。

Dec, 2019

本文介绍了一种新的雷达回波外推算法，该算法利用时空相关特征和 Transformer 技术，通过从多帧雷达图像中提取特征来准确表示降水的非定常运动过程，增强对全局 - 局部信息的感知能力并以轻量级方式突出与任务相关的特征区域，并在真实世界数据集上验证了其有效性和必要性

Apr, 2023

本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

Jun, 2023

通过引入 Temporal Frame Interpolation (TFI) 和 multi-level dice loss 等创新技术，该研究提出了一种抵御时空差异的强韧降水预测模型，取得了气象预测领域的突破性成果，并在 Weather4Cast'23 竞赛中获得第一名，为深度学习在气象预测中设立新的基准。

Nov, 2023

通过提出一种两阶段降雨预测扩散模型 (TRDM)，我们改善了深度神经网络在长期降雨预报中的准确性，解决了模糊生成图像和空间位置错误的问题。第一阶段捕捉强大的时间信息并保留低分辨率条件下的空间信息，第二阶段对第一阶段生成的低分辨率图像进行高分辨率重建。我们展示了在 MRMS 和瑞典雷达数据集上最先进的结果。

Feb, 2024