文章目录
摘要
本文围绕降水临近预报问题，从时间序列预测角度系统综述了深度学习方法的发展现状。通过构建递归策略与多步预测策略的统一框架，对不同模型进行分类与对比分析，并结合实验数据总结其性能特点。结果表明，现有方法在整体预测精度上已显著提升，但在强降水和长时预测方面仍存在不足。最后，论文指出未来需重点提升极端降水建模能力与多源数据融合水平。
Abstract
This paper systematically reviews the development of deep learning methods for precipitation nowcasting from the perspective of time series forecasting. By establishing a unified framework for recursive strategies and multi-step prediction strategies, it classifies and comparatively analyzes different models, summarizing their performance characteristics based on experimental data. The results indicate that existing methods have achieved significant improvements in overall prediction accuracy, but still exhibit shortcomings in heavy precipitation forecasting and long-term predictions. Finally, the paper highlights the need to enhance extreme precipitation modeling capabilities and multi-source data fusion as key future research directions.
研究背景
背景及不足
随着天气预报在灾害防控、农业和能源等领域的重要性不断提升，短时降水临近预报逐渐成为研究重点。传统方法主要依赖雷达回波外推，难以准确预测降水的生成与消散，存在明显局限。近年来，深度学习在时间序列预测中的应用显著提升了降水预测精度，并结合雷达与卫星数据进一步拓展了应用范围。但整体来看，该领域仍缺乏系统性的综述与统一分析框架。
目的
本文旨在从时间序列预测角度，对基于深度学习的降水临近预报方法进行系统综述。主要目标包括：梳理数据处理、模型设计和评价指标等关键技术；分类总结不同预测策略下的模型方法；对比模型性能并分析其优缺点；同时探讨当前研究中的挑战与未来发展方向，为后续研究提供参考。
方法论
整体框架
：
首先从整体上将降水临近预报建模为时间序列预测问题，即利用历史气象观测序列预测未来降水情况。根据预测方式不同，提出两种核心框架，即递归策略和多步策略。
递归策略
逐步预测未来时刻，每一步依赖前一步结果，预测形式为xt+1 = f(x1:t)。
递归模型分为两大类：非对抗和对抗两类。
非对抗模型，如 ConvLSTM, PredRNN。利用长短期记忆单元在时空维度上传递记忆，旨在最小化预测误差，但可能出现预测结果模糊的状况。
对抗模型，引入生成对抗网络（GAN），通过判别器来增强预测图像的清晰度和细节，解决传统递归模型产生的模糊问题，但在训练过程中会出现不稳定的情形。
多步策略
：一次性预测未来多个时间步.
（1）UNet：强于空间特征提取,适合多源数据，但需要加入注意力机制，以增强时间建模能
（2）Diffusion：通过"去噪过程"生成未来降水，从而能生成高质量、多样性预测结果，但是计算成本高
（3）Transformer：利用Self-Attention 机制捕捉长程依赖，直接建模输入序列与输出序列的关系，强于长时序依赖建模，适合长时间预测任务，但计算复杂度高
创新点
- 提出统一的框架划分
从时间序列预测角度，将降水临近预报方法系统划分为递归策略和多步预测策略，构建了清晰的模型分析框架。 - 建立完整的技术分析体系
围绕数据预处理、目标函数和评价指标，对降水预测全过程进行系统梳理，提升了方法分析的系统性与规范性。 - 整合前沿模型并分析发展趋势
综合总结包括Transformer、Diffusion等最新模型，对比其性能与特点，并指出当前挑战及未来研究方向。
实验数据分析
从上图可以看出，模型整体性能确实在进步。以论文统一整理的 benchmark 结果为例，在 SEVIR 数据集上，Persistence 的 MSE 为 11.53×10⁻³，而 ConvLSTM 降为 9.76×10⁻³，PredRNN2 进一步降为 3.9×10⁻³，Earthformer 为 3.7×10⁻³，Eartgfarseer 甚至达到 2.8×10⁻³。这说明新模型在整体误差控制方面明显优于早期方法。若看 Moving MNIST 数据集，ConvLSTM 的 MSE 为 182.9，PredRNN 降到 56.8，Prediff 进一步降到 21.4，MIMO-VP 降到 17.7，同时 SSIM 也提升到 0.964。由这些数据可以得出结论：深度学习模型在学习时空依赖关系方面是有效的，整体预测质量在不断提升。
如Figure 7 显示出更关键的问题：阈值越高、提前量越长，CSI下降越明显。 例如在 RainNet 的结果中，低阈值 0.125 mm 下，CSI 在 1 小时内大致仍能保持在 0.65 左右，而高阈值 15 mm 的 CSI 很快接近于 0；在 DGMR 中，1 mm 阈值下 CSI 大约从 0.65 降到 0.32，但 8 mm 阈值下则从约 0.31 快速降到接近 0.05；在 MetNet-v2 中，0.2 mm 阈值下 12 小时后 CSI 仍约为 0.33，而 20 mm 阈值下仅剩约 0.04。这些最明显的数据表明，模型对普通降水还有一定识别能力，但对高强度降水的识别能力非常有限，而且随着预测时间拉长，退化更严重。
综上，现有模型已经在整体预测精度上取得明显进步，但对强降水和长时效预测的能力提升仍然不足，这也是当前降水临近预报研究中最突出的主要矛盾。 因此，未来研究需要重点解决数据不平衡、极端降水样本稀缺以及长时间预测误差累积等问题。
总结
本文从时间序列预测角度，对基于深度学习的降水临近预报方法进行了系统综述，构建了以递归策略和多步预测策略为核心的分析框架，并对不同模型进行了分类比较。通过对数据和实验结果的分析可以看出，当前模型在整体预测精度上已有显著提升，但在强降水预测和长时间尺度预测方面仍存在明显不足，这主要源于数据不平衡、样本稀缺以及误差累积等问题。
总体而言，未来研究需要在提升极端降水预测能力、多源数据融合以及增强模型稳定性等方面进一步突破，以推动降水临近预报向更高精度和更强实用性发展