arXiv cs.AI· Henan Wang, Shengwu Xiong, Yifang Zhang, Pengfei Duan·· 4 小时前AI 评分22
CorrectCast:面向降水临近预报尺度感知残差校正的选择性多模态上下文框架
CorrectCast: Selective Multimodal Context for Scale-Aware Residual Correction in Precipitation Nowcasting
AI 导读
CorrectCast 是一个解耦的残差校正框架,在冻结基础预报模型的前提下对已完成的降水临近预报结果进行精修,只需训练一个轻量校正器。该校正器以基础预报结果和历史 QPE、PWV 观测为条件,选择多模态上下文并用尺度感知调制估计残差。在 MRB 和 CONUS 数据集上,它使六种涵盖外推、确定性和生成式方法的基础预报模型平均 CSI 分别绝对提升 0.0233 和 0.0290。
正文 · AI 翻译
摘要:降水临近预报模型在强度、位置和空间结构方面存在误差。通过重新训练临近预报主干网络来解决这些误差可能计算成本高昂,并且需要针对特定架构进行修改。为克服这些局限,我们提出 CorrectCast,一种解耦的残差校正框架,在保持基础临近预报器冻结的同时对已完成的临近预报进行细化。通过作用于预测降水场,CorrectCast 只需训练一个轻量级校正器,从而降低计算开销,同时为不同的临近预报模型提供统一的校正接口。以基础临近预报以及历史定量降水估计(QPE)和可降水量(PWV)观测为条件,校正器选择多模态上下文并采用尺度感知调制来估计残差校正。在密西西比河流域(MRB)和美国本土(CONUS)数据集上,CorrectCast 改进了六个基础临近预报器,涵盖基于外推、确定性和生成式方法,六个模型的平均 CSI 绝对增益分别为 0.0233 和 0.0290。
| 主题: | 人工智能(cs.AI) |
| 引用为: | arXiv:2611.22178 [cs.AI] |
| (或 arXiv:2611.22178v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22178 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Henan Wang [查看电子邮件]
[v1]
2026年11月17日星期二 04:14:48 UTC(1,836 KB)
来源:arXiv cs.AI · arxiv.org