基于雷达数据的降水即时预报在极端天气预测中起着关键作用，对于灾害管理具有广泛的影响。本文提出了 CasCast，这是一个级联框架，由确定性部分和概率部分组成，用于将中尺度降水分布和小尺度模式的预测分离开来。通过高分辨率的训练和在低维潜空间中进行概率建模，使用帧导向扩散变换器加强极端事件的优化，同时减少计算成本。对三个基准雷达降水数据集进行的大量实验证明，CasCast 实现了竞争性的性能。尤其是在区域极端降水的即时预报方面，CasCast 的性能明显优于基线（高达 + 91.8%）。

Feb, 2024

我们提出了一个两阶段的概率时空预测流程：1）我们开发了 PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集 N-body MNIST 和代表降雨预测的真实世界数据集 SEVIR。实验结果显示 PreDiff 在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

Jul, 2023

研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

Aug, 2023

物理风险预测的最新技术需要进行昂贵的千米级数值模拟，而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法，该模型是从台湾的区域高分辨率天气模型经 ERA5 再分析数据训练而来。通过一个两步方法（ extit {ResDiff}）， extit {ResDiff} 在块状 RMSE 和 CRPS 评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例，显示了类似于学到的物理学的适当多变量关系，包括与冷锋中的强降雨相伴的尖锐风和温度变化，以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。

Sep, 2023

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

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

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

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

使用潜在扩散模型 (Latent Diffusion Model, LDM) 进行短期预测，可获得比生成对抗网络 (Generative Adversarial Networks, GANs) 更高质量和多样性的降水预测，LDM 较为稳定，需要较少的训练计算；该模型的优势在于生成更多样的预测并更准确地反映了预测错误 / 不确定性的图样分布测试结果，适用于天气和气候等领域。

Apr, 2023

该研究提出了一种新的 Trajectory GRU（TrajGRU）模型以解决天气预报中的位置变化问题，并提出了一个基准数据集和评估标准，旨在为未来的研究提供方便，并衡量该领域的技术水平。

Jun, 2017