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

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

本文提出了一种基于深度学习架构的降水模拟方法，该方法可以全球范围内每 30 分钟进行一次未来 4 小时的预测。该架构融合了 U-Net 和卷积长短期记忆（LSTM）神经网络，并使用来自全球预报系统（GFS）的集成多卫星降水检索数据（IMERG）和一些关键的降水驱动因素进行训练。通过研究不同的训练损失函数（包括均方误差和分类误差），评估了对降水模拟精度的影响，结果表明分类网络在极端降水模拟方面表现优于回归网络。核心成功指数证实了分类网络的预测降水更接近 IMERG。同时，研究发现物理变量的引入可以提高降水模拟的准确性，特别是对于较长的预测时段。在分辨率为 10 公里的尺度下，该模型仍然具有较高的技能得分，尤其对于 4 毫米 / 小时以上的降水情况。

Jul, 2023

这篇论文介绍了基于降水关注的 U-Net（PAUNet）的深度学习架构，用于根据卫星辐射数据预测降水，解决 Weather4cast 2023 比赛的挑战。PAUNet 是 U-Net 和 Res-Net 的一种变体，通过编码器卷积层的中心裁剪和注意机制，有效捕捉多波段卫星图像中的大尺度上下文信息，包括可见光、水汽和红外波段。通过基于各种欧洲地区的大规模数据集进行训练，PAUNet 在多个时间段的降雨预测中表现出了显著的准确性，具有比基准模型更高的临界成功指数（CSI）得分。PAUNet 的架构和训练方法对于降水预测的改进具有重要意义，对紧急救援、零售和供应链管理等领域至关重要。

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

使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。

Apr, 2021

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

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。

Nov, 2023

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