Location Agnostic Adaptive Rain Precipitation Prediction using Deep Learning
University of California Riverside（加州大学河滨分校）；University of Florida（佛罗里达大学）；Ahsanullah University of Science and Technology（阿赫桑乌拉科技大学）；University of Central Florida（中佛罗里达大学）；Texas A&M University（德克萨斯农工大学）
Md Shazid Islam, Md Saydur Rahman, Md Saad Ul Haque, Farhana Akter Tumpa, Md Sanzid Bin Hossain, Abul Al Arabi
Rain precipitation prediction is a challenging task as it depends on weather and meteorological features which vary from location to location. As a result, a prediction model that performs well at one location does not perform well at other locations due to the distribution shifts. In addition, due to global warming, the weather patterns are changing very rapidly year by year which creates the possibility of ineffectiveness of those models even at the same location as time passes. In our work, we have proposed an adaptive deep learning-based framework in order to provide a solution to the aforementioned challenges. Our method can generalize the model for the prediction of precipitation for any location where the methods without adaptation fail. Our method has shown 43.51%, 5.09%, and 38.62% improvement after adaptation using a deep neural network for predicting the precipitation of Paris, Los Angeles, and Tokyo, respectively.
MP-MoE: Matrix Profile-Guided Mixture of Experts for Precipitation Forecasting
School of Electronics and Electrical Engineering, Hanoi University of Science and Technology（河内科技大学电子与电气工程学院）；Department of Electrical and Computer Engineering, University of Southern California, United States（美国南加州大学电气与计算机工程系）
Deep-learning based down-scaling of summer monsoon rainfall data over Indian region
Indian Institute of Tropical Meteorology, Ministry of Earth Sciences（印度热带气象研究所，地球科学部）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Ramrao Adik Institute of Technology（拉姆劳·阿迪克技术学院）；Defence Institute of Advanced Technology（国防高级技术研究所）
Research Institute for Infrastructure Paradigm Shift, Yachiyo Engineering Co., Ltd.（基础设施范式转换研究所，八千代工程株式会社）
最近，由于气候变化引起的前所未有的天气条件，洪水灾害已成为一个社会问题。对暴雨立即作出反应对于减轻经济损失和迅速恢复都很重要。时空降水预报可以提高大坝入库流量预测的准确性，提前6小时以上减轻洪水损失。然而，由于目标预测值与地面实况值之间存在不可约的偏差，普通的ConvLSTM在实际降水预报中存在着可预报范围大于3个时间步的局限性。本文提出了一种雨码的时空降水代码到代码的预测方法。我们提出了一种新的雨的功能，表示一个时间雨的过程，使用多帧融合的时间步长减少。我们基于标准ConvLSTM对各种术语范围进行了雨码研究。我们应用了一个坝区内的日本雨季小时降水数据，2006年至2019年下约12.7万小时，每年5月至10月。我们将雷达分析每小时的数据应用于面积为136 x 148 km 2的中央更广泛的区域。最后，我们在几个预报范围内提供了雨码大小和每小时准确度之间的敏感性研究。
How Effective Are Time-Series Models for Precipitation Nowcasting? A Comprehensive Benchmark for GNSS-based Precipitation Nowcasting
Sanya Science and Education Innovation Park, Wuhan University of Technology（武汉理工大学三亚科技创新园）；Wuhan University of Technology（武汉理工大学）；School of Computer Science and Artificial Intelligence, Wuhan University of Technology（武汉理工大学计算机科学与人工智能学院）；Interdisciplinary Artificial Intelligence Research Institute, Wuhan College（武汉学院交叉人工智能研究院）；Shanghai Artificial Intelligence Laboratory, Shanghai（上海人工智能实验室）；School of Earth and Space Science and Technology, Wuhan University（武汉大学地球空间科学与技术学院）；School of Water Resources and Hydropower Engineering, Wuhan University（武汉大学水利水电学院）；GNSS Research Center, Wuhan University（武汉大学GNSS研究中心）
Enhancing Heavy Rain Nowcasting with Multimodal Data: Integrating Radar and Satellite Observations
Bochum Institute of Technology（波恩技术学院）；LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Okeanos Smart Data Solutions GmbH（Okeanos智能数据解决方案有限公司）
TRU-NET: A Deep Learning Approach to High Resolution Prediction of Rainfall
University of Warwick（华威大学）；Southern University of Science and Technology（南方科技大学）；The European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）；University of Bristol（布里斯托大学）
Skillful Precipitation Nowcasting using Deep Generative Models of Radar
Met Office（英国气象局）
降水临近预报，即提前两小时对降水进行高分辨率预报，支持许多依赖天气决策的部门的现实社会经济需求。国家的最先进的业务临近预报方法通常平流降水场与雷达为基础的风估计，并努力捕捉重要的非线性事件，如对流启动。最近引入的深度学习方法使用雷达直接预测未来的降雨率，不受物理限制。虽然它们准确地预测了低强度降雨，但它们的业务效用有限，因为它们缺乏约束，在较长的提前时间内产生模糊的临近预报，在更罕见的中到大雨事件中表现不佳。为了解决这些挑战，我们提出了一个深生成模型的概率临近预报雷达降水。我们的模型在长达1536 km x 1280 km的区域内产生现实和时空一致的预测，提前5 - 90分钟。在英国气象局50多位专家预测员的系统评估中，我们的生成模型在88%的情况下与两种竞争性方法相比，其准确性和实用性排名第一，证明了其决策价值和为现实世界专家提供物理见解的能力。当定量验证时，这些临近预报是熟练的，而不是诉诸模糊。我们表明，生成式临近预报可以提供概率预测，提高预测值和支持业务效用，并在决议和交货期的替代方法的斗争。
PostRainBench: A comprehensive benchmark and a new model for precipitation forecasting
AI Thrust, The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）AI方向）；School of Atmospheric Science, Nanjing University（南京大学大气科学学院）；Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系）
Diffusion Precipitation Generation with Medium-range Weather Forecasting
Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of S & T（香港科技大学）；Sun Yat-Sen University（中山大学）；NSCC-SZ（国家超级计算深圳中心）；China Meteorological Administration（中国气象局）；GBA Weather Research Center（粤港澳大湾区天气研究中心）；Huawei Technologies Co., Ltd（华为技术有限公司）
Deep learning for improved global precipitation in numerical weather prediction systems
Indian Institute of Tropical Meteorology（印度热带气象研究所）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Indian Institute of Technology Bombay（孟买印度理工学院）；Queen Mary University of London（伦敦玛丽女王大学）
