Rainformer: Features Extraction Balanced Network for Radar-Based Precipitation Nowcasting

Die präzise Vorhersage von Niederschlag (Precipitation Nowcasting) stellt eine der grundlegenden Herausforderungen in der Forschung zu Naturgefahren dar. Starkes Niederschlagsereignis, insbesondere Starkregen, kann erhebliche Schäden an Eigentum und Infrastruktur verursachen. Bisherige Ansätze nutzen in der Regel Faltungsoperationen, um Niederschlagsmerkmale zu extrahieren, und erhöhen die Netzwerk-Tiefe, um den Rezeptivfeldbereich zu vergrößern, um sogenannte „falsch globale“ Merkmale zu erfassen. Obwohl dieser Ansatz einfach ist, können lediglich lokale Niederschlagsmerkmale erfasst werden, was zu einer geringen Empfindlichkeit gegenüber intensivem Niederschlag führt. In diesem Beitrag wird ein neuartiges Framework für die Niederschlagsvorhersage namens Rainformer vorgestellt, das zwei praktische Komponenten einführt: eine Einheit zur Extraktion globaler Merkmale und eine Gate-Fusions-Einheit (Gate Fusion Unit, GFU). Erstere ermöglicht eine robuste Lernfähigkeit für globale Merkmale durch den windowbasierten Multi-Head-Self-Attention (W-MSA)-Mechanismus, während letztere eine ausgewogene Kombination von lokalen und globalen Merkmalen gewährleistet. Rainformer verfügt über eine einfache, aber effiziente Architektur und verbessert signifikant die Genauigkeit der Niederschlagsvorhersage, insbesondere bei hochintensivem Niederschlag. Damit bietet es ein vielversprechendes Lösungskonzept für reale Anwendungen. Die experimentellen Ergebnisse zeigen, dass Rainformer sieben state-of-the-art-Methoden auf der Benchmark-Datenbank übertrifft und zudem tiefere Einblicke in die Vorhersage von Starkregenereignissen ermöglicht.