融合Unet与ConvLSTM2D的两阶段训练模型在降水临近预报中的性能提升研究

针对现有ConvLSTM、PredRNN等模型在降水临近预报中难以兼顾时空特征精细捕捉与计算效率的问题，研究人员提出了一种结合Unet空间特征提取与ConvLSTM2D时序建模的混合模型，通过两阶段训练策略（Moving-MNIST++预训练+CIKM数据集微调），显著提升预测精度（CSI提高3.73%，HSS提升3.63%），为极端天气事件预警提供了高效解决方案。

　　

降水临近预报是气象领域的核心挑战之一，尤其在应对突发性极端天气时，传统数值天气预报（NWP）因计算耗时难以满足0-2小时的短时预测需求。尽管光学流外推和统计模型（如马尔可夫过程）曾被广泛应用，但它们对非线性降水动态的捕捉能力有限。近年来，ConvLSTM、TrajGRU等深度学习模型虽取得进展，仍面临空间细节丢失、计算复杂度高、对高强度降水预测不准三大瓶颈。例如，SAC-LSTM通过自注意力机制提升长程依赖建模，却牺牲了实时性；PFST-LSTM虽改进特征对齐，但模块整合增加了架构复杂性。

针对上述问题，电子科技大学的研究团队在《Environmental Modelling》发表论文，提出了一种两阶段训练的Unet-ConvLSTM2D混合模型。该研究创新性地将Unet的编码器-解码器结构（擅长多尺度空间特征提取）与ConvLSTM2D（专精时序建模）结合，通过时间分布式层处理序列数据，并在瓶颈层嵌入ConvLSTM2D以增强长期依赖捕捉。模型先在Moving-MNIST++数据集上学习基础时序规律，再基于CIKM AnalytiCup 2017的真实雷达数据微调。实验表明，该模型在CSI（关键成功指数）、HSS（海德克技巧评分）和MSE（均方误差）上全面超越基线模型，尤其对>40dBZ的强降水事件预测提升显著。

关键技术方法

1. 混合架构设计：Unet块内集成时间分布式卷积层，保留高分辨率空间特征；瓶颈层采用ConvLSTM2D（卷积长短期记忆网络）建模时序动态。
2. 两阶段训练：预训练使用合成数据Moving-MNIST++（模拟运动轨迹），微调采用CIKM竞赛的雷达反射率数据（H×W=480×480，C=1）。
3. 评估指标：以CSI、HSS为核心指标，对比ConvGRU、PredRNN等7类模型，并分析不同dBZ阈值下的性能差异。

研究结果

1. 模型架构验证：消融实验证实，Unet分支提升空间细节保留能力（较纯ConvLSTM2D的CSI提高2.1%），而时间分布式设计减少特征丢失。
2. 预测性能对比：在CIKM数据集上，混合模型的平均CSI达0.58（较最优基线提升3.73%），HSS提高3.63%，MSE降低4.72%，且预测时效延长至2小时仍保持稳定。
3. 极端事件分析：对>50dBZ的强降水，模型成功捕捉87%的暴雨中心位置，显著优于PFST-LSTM（72%）和SAC-LSTM（79%）。

结论与意义
该研究通过Unet-ConvLSTM2D的协同设计，首次实现了降水临近预报中空间分辨率与时序深度的平衡。其两阶段训练策略有效缓解了气象数据稀缺性对模型泛化的限制，而轻量化设计（3×3卷积核）确保实时性。成果为农业防灾、城市内涝预警提供了更可靠的技术路径，未来可扩展至卫星-雷达多源数据融合场景。作者Farah Naz等强调，下一步将探索自适应内核机制以进一步提升非均匀降水模式的预测鲁棒性。