《Information Fusion》：SMMP-Net: A Sliding Multi-Model Progressive Spatiotemporal Fusion Network via Dynamic KAN-Fourier for Radar-Based Precipitation Nowcasting
编辑推荐：
•SMMP-Net 是一种基于雷达的降水现在预报框架，采用滑动多模型渐进式架构。•非对称的 DVSB/DVAB 融合方法将编码器端的特征净化与解码器端的细节重建分开。•GMSDB 实现了基于预测的跨尺度特征交互，以改进深度特征与浅层特征的融合。•DKFF 在训练过程中增强了高强度
- •
SMMP-Net 是一种基于雷达的降水现在预报框架，采用滑动多模型渐进式架构。
- •
非对称的 DVSB/DVAB 融合方法将编码器端的特征净化与解码器端的细节重建分开。
- •
GMSDB 实现了基于预测的跨尺度特征交互，以改进深度特征与浅层特征的融合。
- •
DKFF 在训练过程中增强了高强度降水的建模能力，同时保持了轻量级的推理开销。
- •
在 KNMI、SEVIR 和 Moving MNIST 数据集上的实验表明，该模型在仅使用 8.58 万个参数和 6.51 GFLOPs 的计算资源下仍具有优异的预测精度。
引言
基于雷达的降水现在预报是时空预测学习中的一个关键任务，其主要目标是在 0–2 小时的预测时间内预测与降雨相关的雷达回波的短期变化 [1]。精确预测回波动态对于早期预警系统和灾害减灾至关重要，但这一任务仍然面临三大挑战：长序列误差累积、空间细节退化以及对极端高强度事件建模不足 [2]。传统的深度学习方法通常依赖于自回归递归（容易产生累积误差）或非自回归并行生成（难以捕捉细微的时间变化 [3]）。此外，当前的融合策略经常使用固定的对称操作（如简单连接 [4] 和固定门控 [5]），这些方法无法平衡特征净化和细节重建之间的矛盾需求。
最近在基于融合的时空预测方面的进展突显了动态和非对称融合机制的潜力 [6]。例如，非对称跨模态融合已被证明能够有效地捕捉不同领域之间的互补特征 [7]，而基于 Kolmogorov-Arnold 网络 (KAN) 的自适应融合在极端事件建模中表现出更优的性能 [8]。然而，很少有研究将动态融合与渐进式预测相结合来解决长期预测中的漂移问题，而且现有方法在增强极端事件捕捉能力时通常会带来较高的推理开销 [9]。轻量级的渐进式融合网络已成为实时应用的一个有前景的方向 [10]，但它们缺乏专门针对差异特征提取和多尺度对齐的设计。
为了解决这些问题，我们提出了 SMMP-Net，这是一个用于降水现在预报的滑动式多模型渐进框架。如图 1(c) 所示，其核心的分治策略将长序列任务分解为多个短序列阶段。我们不使用单一的递归模型，而是采用一组具有相同架构但独立运行的子模型 (
)。在每个阶段
t，子模型
会预测一段短距离的数据。然后框架将这个预测结果添加到输入序列中，并丢弃相同数量的最旧数据帧，从而滑动输入窗口。这种渐进式设计使得每个子模型能够专注于其对应的短时间范围，并有效抑制长期误差的累积。此外，每个子模型都采用了多视角驱动的非对称融合架构：在编码器中，双视图减法块 (DVSB) 执行特征减法以提取关键的差异性高频信息；在解码器中，双视图加法块 (DVAB) 执行特征加法以增强信息恢复和精细重建。为了增强对强降雨的表征，我们引入了一种动态辅助训练策略，在训练期间激活 KAN 组件以强调极端事件，在推理期间禁用该组件以避免额外的运行开销，从而在不增加额外推理成本的情况下提高对中等到高强度回波的鲁棒性。我们的主要贡献总结如下：
•我们提出了一个用于基于雷达的降水现在预报的滑动式多模型渐进框架。与直接的一次性预测和单模型递归方法不同，SMMP-Net 将长期预测分解为多个短期预测阶段，并通过丢弃旧数据/添加新数据的方法更新输入窗口，从而减少远程误差的累积。
•我们设计了一种角色分离的非对称编码器-解码器融合架构。与传统的对称跳跃融合、连接或固定门控方法不同，该架构在编码器中使用 DVSB 进行特征减除，在解码器中使用 DVAB 进行特征添加，同时 Grouped Multi-Scale Depthwise Convolution Block (GMSDB) 进一步提升了基于预测的跨尺度融合效果。
•我们引入了动态 KAN-Fourier 融合 (DKFF) 块，用于高效建模高强度降水。与静态的 KAN 或 Fourier 基模块不同，DKFF 在训练期间启用 Chebyshev KAN 分支进行非线性特征学习，而在推理过程中仅保留轻量级的深度卷积和 Fourier 注意力路径 (FAP)，以避免额外的运行开销。
节选内容
基于雷达的降水现在预报的深度学习
基于雷达的降水现在预报通常被构建为一个时空序列预测问题，其目标是从历史雷达回波观测数据中推断降水系统的短期变化。早期的 CNN 基模型主要集中在从雷达图中提取空间模式，但在建模时间依赖性方面存在局限 [11]。为了解决这一问题，引入了循环模型及其卷积变体来捕捉非线性运动
方法
本节首先介绍了所提出的轻量级子模型的整体架构以及滑动式多模型多阶段预测框架的工作原理，如图 1 所示。每个子模型都采用非对称的编码器-解码器结构，其详细配置如图 2 所示。随后我们描述了四个关键模块：DVSB、DVAB、GMSDB 和 DKFF，这些模块共同提升了网络对基于雷达的时空特征的理解能力
数据集
为了验证 SMMP-Net 模型的有效性和优势，我们在三个数据集上进行了实验，包括荷兰皇家气象研究所 (KNMI) 数据集、SEVIR 数据集和 Moving MNIST 数据集，具体信息见表 1。
KNMI 该评估数据集由荷兰皇家气象研究所 (Koninklijk Nederlands Meteorologisch Instituut, KNMI) 提供，包含了荷兰及其周边地区的降雨地图
结论
在这项工作中，我们提出了 SMMP-Net，这是一个用于基于雷达的降水现在预报的轻量级滑动式多模型渐进框架。SMMP-Net 将长期预测分解为多个短期预测阶段，并结合非对称编码器-解码器融合、基于预测的跨尺度融合以及动态 KAN-Fourier 建模，从而在保持计算效率的同时提升了时空表示能力。在 KNMI 和 SEVIR 基准测试中的广泛实验表明
CRediT 作者贡献声明
李朝阳：负责撰写 - 审稿与编辑、撰写 - 初稿、验证、软件开发、资源管理、方法论设计、研究实施、资金筹措、形式化分析、数据管理、概念构思。罗文杰：负责撰写 - 审稿与编辑、撰写 - 初稿、数据可视化、软件开发、方法论设计、研究实施、数据管理。杨强：负责撰写 - 审稿与编辑、验证、项目监督、资金筹措。邓荣耀：负责撰写 - 审稿与编辑、验证
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
李朝阳|罗文杰|杨强|邓荣耀|邓祖明|张远民
