通过提出 PostRainBench 多变量 NWP 后处理基准，我们介绍了一种简单但有效的渠道注意增强多任务学习框架 CAMT，它能在极端降水条件下优于传统的数值天气预报方法，进而减轻极端天气事件的严重后果。
Oct, 2023
通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。
Jun, 2022
本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。
Oct, 2022
本研究提出了一种基于深度学习的预降水方案，利用 U-Net 模型和预训练技术来提高预测性能，使用新的损失函数减轻类别不平衡问题，实验表明相较于传统方法，本方法的准确性和精度在降水预报和降水估算中都有所提高。
Feb, 2022
本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。
Mar, 2022
使用生成对抗网络生成高分辨率降水的合成降水集，而无需高分辨率训练数据，该集与欧洲中期天气预报中心集基本相同。
Apr, 2023
应用 Swin-UNETR 模型进行欧洲十个不同地区的降水预报研究，以提高应对极端天气事件的能力。
Nov, 2023
本文提出了一种基于神经网络的灵活的天气预测统计后处理技术，可以自动学习非线性关系，显著优于传统后处理方法，并可以被扩展到其他统计后处理和预测问题。
May, 2018
设计有效的短期降水预警系统是必要的，气候变化导致极端天气事件频率增加，相关机构可以通过基于深度学习的现在预测模型在几秒内做出准确预测，以便更好地应对对农业、交通、公共卫生和安全等方面的影响。
通过使用多个学习者的集成学习框架，结合卫星图像，该研究论文提出了一种准确建模复杂降水模式的降水预测方法，并在 Weather4Cast 2023 竞赛中排名第一。