Dense-Cast: A lightweight ensemble of deep learning architectures for precipitation nowcasting
作者: Gourav Jyoti Kalita, Hidam Kumarjit Singh
分类: cs.CV
发布日期: 2026-08-06
💡 一句话要点
提出Dense-Cast以解决降水短期预报问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 降水预报 深度学习 DenseNet 时空数据 轻量级模型 气象学 灾害管理
📋 核心要点
- 降水的变异性和非线性使得短期降水预报面临巨大挑战，现有方法难以有效捕捉时空数据中的时间依赖性。
- 本文提出的Dense-Cast模型结合了DenseNet架构、残差连接和变换器编码器，旨在通过减少模型参数来提高降水预报的准确性。
- 实验结果表明，Dense-Cast模型在30分钟的降水预报中取得了MAE为0.235毫米、RMSE为0.735毫米和KGE得分为0.816的优异表现。
📝 摘要（中文）
短期降水预报在灾害管理和应急准备中至关重要。然而，降水的变异性和非线性使得气象学家在进行短期预报时面临挑战。此外，捕捉时空数据中的时间依赖性也是降水短期预报中的一大难题。本文提出了一种轻量级深度学习模型Dense-Cast，用于半小时降水预报。该模型结合了DenseNet架构、残差连接和变换器编码器，以减少模型参数并提高降水预报的有效性。研究选取了印度东北地区作为研究对象，该地区在6月至9月的季风季节降水量最大。模型以之前五个半小时的降水数据为输入，预测接下来的两个半小时降水量。使用GPM IMERG降水数据集进行训练和测试，模型在30分钟间隔内实现了最佳的MAE为0.235毫米，RMSE为0.735毫米，KGE得分为0.816。
🔬 方法详解
问题定义：本文旨在解决短期降水预报中的变异性和非线性问题，现有方法在捕捉时空数据的时间依赖性方面存在不足。
核心思路：提出的Dense-Cast模型通过结合DenseNet架构、残差连接和变换器编码器，旨在提高降水预报的准确性，同时减少模型的参数数量，以适应实时预报的需求。
技术框架：Dense-Cast模型的整体架构包括输入层、多个DenseNet模块、残差连接和变换器编码器，最后通过全连接层输出降水预测结果。模型以过去五个半小时的降水数据作为输入，预测接下来的两个半小时的降水量。
关键创新：Dense-Cast的主要创新在于其轻量级设计和高效的特征提取能力，通过引入残差连接和变换器编码器，显著提升了模型在降水预报中的表现，与传统方法相比具有更好的准确性和更少的计算资源需求。
关键设计：模型在参数设置上进行了优化，采用了适合降水数据特性的损失函数，并在网络结构中引入了DenseNet的特性，以增强特征的传递和复用能力。
🖼️ 关键图片
📊 实验亮点
Dense-Cast模型在降水预报中表现出色，取得了MAE为0.235毫米、RMSE为0.735毫米和KGE得分为0.816的优异结果。这些性能指标显示出该模型在短期降水预报中的有效性，相较于现有方法有显著提升，尤其是在参数效率和计算资源的使用上。
🎯 应用场景
该研究的潜在应用领域包括气象预报、灾害管理和农业生产等。通过提高降水短期预报的准确性，能够帮助相关部门更好地进行灾害预警和应急响应，从而降低自然灾害带来的损失。未来，该模型还可以扩展到其他气象要素的预报中，具有广泛的应用前景。
📄 摘要（原文）
Proper short-term forecasting of precipitation is crucial in disaster management and preparedness. Nonetheless, the variability and nonlinearity of precipitation make short-term forecasting challenging for meteorologists. Moreover, capturing temporal dependencies in spatiotemporal data is a challenge in precipitation nowcasting. In this article, we introduce a lightweight deep learning model for half-hourly precipitation nowcasting. This model has been designed by incorporating the DenseNet architecture, residual connections, and transformer encoders for effective precipitation nowcasting with reduced model parameters. The North-Eastern region of India has been selected as the area of interest for our study. The region receives the highest precipitation during the months of June-September due to the monsoon season. The proposed model takes the previous five time-steps of half-hourly precipitation as inputs and predicts the precipitation in the next two half-hours. The GPM IMERG precipitation dataset with a 30-minute cadence has been used in this study for training and testing the model. The proposed architecture achieves best MAE of 0.235 millimetres, RMSE of 0.735 millimetres, and KGE score of 0.816 at an interval of 30 minutes.