GenONet：一种用于高分辨率降水临近预报的生成算子网络

arXiv cs.LG 论文
precipitation-nowcasting deep-learning generative-adversarial-network operator-network physics-informed weather-prediction

摘要

GenONet是一种新颖的深度学习架构，它在生成对抗网络框架内使用深度算子网络进行高分辨率降水临近预报，能够生成清晰且物理一致的预测。

arXiv:2609.00544v1 公告类型：新 摘要：高分辨率降水临近预报对于减轻恶劣天气的影响至关重要，但由于风暴的快速演变而仍然困难。深度学习模型在这项任务上显示出巨大前景，但其预测能力通常随着预测时间范围的延长而恶化。这导致预测越来越模糊，未能捕捉风暴系统复杂的非线性演变。为了应对这些局限性，我们引入了时空U-深度算子网络（GenONet），这是一种用于长达3小时长期降水预测的新架构，专门设计用于产生清晰且物理一致的结果。GenONet的架构率先使用深度算子网络（DeepONet）作为生成器在生成对抗网络（GAN）框架中用于此任务。DeepONet学习降水的连续时间动力学，确保在长预测范围内的稳定性。针对时空判别器的对抗训练迫使模型产生清晰、连贯的预测，而基于水分守恒方程的物理信息损失正则化器提高了我们消融设置中的物理合理性。定量评估显示，我们的模型在大多数指标上取得了持续更高的分数，特别是在高强度事件和更长的提前时间。定性地，GenONet产生结构连贯的预测，保持其完整性，而基线模型退化为不明确的模式。最后，消融研究证实了这种物理信息损失的益处，突出了将算子学习与对抗训练相结合的优势。
查看原文
查看缓存全文

缓存时间: 2026/09/02 06:16 

# GenONet：用于高分辨率降水临近预报的生成式算子网络
来源：https://arxiv.org/abs/2609.00544
查看 PDF (https://arxiv.org/pdf/2609.00544)

> 摘要：高分辨率降水临近预报对于减轻极端天气的影响至关重要，但由于风暴演变迅速，该任务仍面临巨大挑战。深度学习模型在此任务上展现出巨大潜力，但其预测能力常随预报时效延长而下降，导致预报结果越来越模糊，难以捕捉风暴系统复杂的非线性演变过程。为解决这些局限性，我们引入了时空U-DeepONet（GenONet）这一新型架构，用于长达3小时的降水预报，专门设计以生成清晰且物理一致的结果。GenONet架构开创性地将深度算子网络（DeepONet）作为生成对抗网络（GAN）框架中的生成器应用于此任务。DeepONet学习降水的连续时间动力学，确保长期预报的稳定性。通过与时空判别器的对抗训练，模型被强制生成清晰连贯的预报结果，而基于水汽守恒方程设计的物理信息损失正则化器，在我们的消融实验设置中提升了结果的物理合理性。定量评估表明，我们的模型在大多数指标上持续取得更高分数，尤其在高强度事件和较长预报时效上表现突出。定性分析显示，GenONet能生成结构连贯且保持完整性的预报，而基线模型则退化为模糊模式。最后，消融研究证实了物理信息损失的益处，凸显了将算子学习与对抗训练相结合的优势。

## 提交历史
来自：Mohammad Kian Golkar \[查看电子邮件 (https://arxiv.org/show-email/2ef61f46/2609.00544)\] **\[v1\]**2026年9月1日 星期二 01:30:33 UTC（2,838 KB）

相似文章

google-deepmind/weathernext

GitHub Trending (daily)

谷歌DeepMind已开源其最先进的全球天气与气旋预测模型WeatherNext 2，以及之前的模型GraphCast和GenCast，提供代码和预训练权重。