摘要：风暴是一种生命周期短、发生突然、空间尺度小的自然现象，常用雷达回波外推方法进行预测，但时序预测模型难以在众多特征中定位风暴关键信息，导致预测精度低，模型无法充分学习图像高频信息，导致预测细节缺失，结果模糊。为了提升预测性能，提出两阶段风暴单体外推框架。第一阶段使用多尺度模块提取多尺度信息，注意力机制挖掘影响预测的重要特征，使用时空长短期记忆单元进行序列预测。第二阶段对一阶段结果进行偏差矫正，使用频域损失丰富外推细节。实验结果表明，在雷达回波数据集上，与主流模型PredRNN-V2相比，均方误差降低11.4%，SSIM提升4.3%，在风暴单体外推任务中表现优越。在Moving MNIST数据集上，均方误差降低4.95%，感知损失降低12.67%，SSIM提升至0.898，具有良好的时序预测能力。
文章目录
1 相关工作
2 模型设计
2.1 多尺度模块
2.2 注意力模块
2.3 ST-LSTM单元
2.4 偏差矫正模块(图6)
2.5 损失函数
2.5.1 记忆解耦损失
2.5.2 频域损失
2.5.3 目标损失
3 实验及分析
3.1 数据集
3.2 实验环境
3.3 对比实验
3.4 验证模型的泛化性与适应性
3.5 消融实验
3.5.1 多尺度模块的消融实验
3.5.2 注意力机制的消融实验(表4)
3.5.3 两阶段预测框架的消融实验(表5)
3.5.4 整体架构的消融实验(表6)
4 结语
