MS-EdgeCast：一种双阶段框架，结合了多尺度卷积循环网络和边缘引导扩散技术，用于对对流风暴进行即时预报

《IEEE Transactions on Geoscience and Remote Sensing》：MS-EdgeCast: A Dual-Stage Framework With a Multiscale Convolutional Recurrent Network and Edge-Guided Diffusion for Convective Storm Nowcasting

本文提出一种两阶段框架用于严重对流风暴（SCS）的现在casting，结合确定性预测和生成式演化。第一阶段的多尺度卷积循环网络（MS-CRN）捕捉局部和全局天气模式，提升短期预测精度；第二阶段边缘引导扩散模型（EGD）增强边界，减少模糊。实验显示MS-CRN的CSI为0.3305，HSS为0.4358，EGD提升池CSI至0.4085，优于基线13.9%。代码公开。

　　

摘要：

强对流风暴（SCSs）由于其迅速的形成和破坏性潜力而构成重大威胁。准确的临近预报对于减少社会和经济损失至关重要。传统的深度学习方法往往无法捕捉到细小的天气结构，或者提供的预报过于平滑，缺乏物理真实性。最近的生成模型，包括生成对抗网络（GANs）和基于扩散的方法，在一定程度上解决了这些限制，但仍然难以在时间上保持风暴形态的连贯性。本文介绍了一种新颖的两阶段对流风暴临近预报框架，该框架将确定性预报与生成演化相结合。在第一阶段，我们提出了一个多尺度卷积循环网络（MS-CRN），该网络能够有效捕捉局部和全球天气模式，以预测短期风暴动态。通过模拟小尺度气象现象之间的复杂相互作用，并结合更广泛的大气趋势，这种方法显著提高了预报准确性。在第二阶段，一种通过边缘控制增强的边缘引导扩散（EGD）模型对确定性输出进行了优化，保持了风暴边界并减少了模糊现象。定量评估表明，MS-CRN的平均CSI值为0.3305，平均Heidke技能得分（HSS）为0.4358，分别比强基线方法高出3.9%和4.3%。演化阶段进一步提高了粗尺度性能，平均CSI-pool值为0.4085，比之前的生成方法高出13.9%，尤其是在高反射率阈值下。EGD模型可以进行微调，并且可以在不重新训练整个生成框架的情况下应用于不同的预报模型中，显示出其适应性和在实际临近预报系统中的实用价值。源代码将公开发布（https://github.com/T-mac010203/MS-EdgeCast）

显示更多

引言

强对流风暴（SCSs），包括暴雨、雷暴和冰雹，通常由强烈的垂直大气运动触发，其特点是突然发生、寿命短暂且具有高度局部化的破坏力。由于气候变化，这类极端天气事件的频率和强度预计会增加，从而加剧了它们对社会和经济的影响[1]。这突显了准确及时预报SCS的发生、演化和严重程度的紧迫性。临近预报在天气预报系统中起着核心作用[2]、[3]，重点在于预测小尺度天气变化，特别是由SCSs引起的不利条件。然而，由于这些风暴的持续时间短且演变迅速，预报工作十分复杂。