降水短临预报的深度学习：基准测试与新模型

为了实现区域降雨的高分辨率预报，降水短临预报已成为从暴雨预警到飞行安全等各种公共服务的重要基础技术。最近的研究表明，卷积长短期记忆（ConvLSTM）模型在降水短临预报方面优于传统的基于光流的方法，这表明深度学习模型在解决该问题上具有巨大的潜力。然而，ConvLSTM模型中的卷积递归结构是位置不变的，而自然运动和变换（如旋转）通常具有位置依赖性。此外，由于基于深度学习的降水短临预报是一个新兴领域，目前尚缺乏明确的评估协议。为了解决这些问题，我们提出了一种新的模型和一个基准测试方案。具体而言，我们在ConvLSTM的基础上进一步发展，提出了轨迹门控循环单元（TrajGRU）模型，该模型能够主动学习用于递归连接的位置依赖性结构。此外，我们提供了一个基准测试方案，包括来自香港天文台的真实大规模数据集、一种新的训练损失函数以及全面的评估协议，以促进未来研究并衡量当前的技术水平。