告别模糊与伪影！WADEPre：利用小波变换“解耦”风雨，极值预报精度大幅提升

极端天气频发，如何让 AI 模型不再“抹平”暴雨中心？来自杭州电子科技大学、浙江省气象科学研究所和南京大学的研究团队提出了一种全新的基于小波分解的短临预报模型 WADEPre。该模型巧妙地将降水场解耦为“稳定平流”与“随机对流”，有效解决了传统模型中的“回归均值”与“振铃效应”难题。目前，该模型在 SEVIR 和 Shanghai Radar 公开数据集上取得了 state-of-the-art 的预测表现，代码已开源。

1

痛点：为什么 AI 总是“报不强”极端降水？

在气象短临预报（Precipitation Nowcasting）领域，深度学习模型虽然发展迅猛，但一直存在一个顽疾：面对极端暴雨时，预测结果往往会变得“糊”。

这是因为传统的像素级优化（Pixel-wise optimization）往往受困于长尾分布数据的“回归均值（Regression-to-the-mean）”陷阱。为了降低整体误差，模型倾向于输出一种“中庸”的平滑结果，导致极端的强降水中心被抹平。

另一方面，近年来流行的傅里叶域（Fourier-based）方法虽然引入了频域信息，但受限于海森堡测不准原理（Heisenberg Uncertainty Principal），傅里叶变换难以在时频域同时获得高准确度的局部空间分辨率与频域分辨率。这导致预测结果经常出现位置偏差和“鬼影（Ghosting artifacts）”。

图1 降水预报的困境。(a). 重尾分布的降水数值使得优化问题陷入忽略极值的陷阱。(b). 现存的方法：数值优化模糊了细节，而傅里叶方法会引入“鬼影”. (c). WADEPre通过小波分解和渐进式学习，实现准确和锐利的极值预报。

既要位置准，又要强度高，还要纹理清晰，是目前短临降水的主要难题。针对这一双重瓶颈，研究人员们提出了WADEPre（Wavelet-based Decomposition Model for Extreme Precipitation），并将建模战场转移到了小波域。

2

方法：像“拆解乐高”一样拆解降水场

WADEPre 的核心灵感来自于物理直觉：降水过程可以看作是宏观的云团移动（平流）与微观的雨强生消（对流）的叠加。

WADEPre利用离散小波变换（DWT）将雷达回波图显式地分解为两个部分，并设计了独特的双流架构：

1.近似网络（Approximation Network, A-Net）： 负责“骨架”。它处理低频分量，捕捉确定性的大尺度平流运动趋势。这部分更加稳定，不易受极端值干扰。

2.细节网络（Details Network, D-Net）： 负责“填充”。它处理高频分量，专门捕捉随机性强、变化快的对流细节。利用小波的局部性优势，它能精准还原强降水中心的锐利边界。

图2 WADEPre的整体架构。输入的雷达序列通过小波分解成两个子波，并送入对应的子网络，最后通过Refiner得到最终的预报。绿色的胶囊符号代表损失函数的应用位置。

为了让这两个“分头行动”的子网络最终能完美合体，我们还设计了：

1.物理感知精炼器（Refiner）： 包含运动耦合（Kinematic Coupling）和漂移校正（Drift Correction）模块，确保最终融合结果符合物理一致性 。

2.多尺度课程学习（Curriculum Learning）： 训练时像教学生一样，先让模型学会在大尺度上把云团位置报准，再逐步增加高频细节的监督（Coarse-to-Fine），从而保证训练过程的稳定。

3

实验：硬核 SOTA，极值还原度拉满

我们在两个公开数据集 SEVIR（美国）和 Shanghai Radar（中国上海）上进行了广泛实验。 结果显示，WADEPre 在 60 分钟预报时效内，全面超越了 ConvLSTM、SimVP、EarthFarseer 以及 AlphaPre 等基线模型。

特别是在衡量极端降水捕捉能力的 CSI-181和CSI-219指标上，WADEPre 展现出了显著优势。

图3 在SEVIR数据集上的模型表现。指标包括CSI-M (CSI均值)，CSI-181（极值预报），CSI-219（极值预报），RMSE（数值误差），HSS（预报能力），SSIM（结构相似度）。

在飑线（Squall Line）和强对流天气的可视化对比中，由于 WADEPre 采用了小波解耦，它生成的预报图保留了丰富的纹理结构细节（SSIM值更高），更准确地复现了风暴中心的“尖峰”结构。相比之下，基线模型的结果往往随着时间推移衰退成一团模糊的灰雾。

图4 飑线 (Squall Line) 的预报结果可视化。

图5 强降水（Heavy Rain）事件的预报结果可视化。

4

总结

WADEPre 通过引入小波域分解和物理感知机制，成功缓解了极端降水预报中“准确度”与“清晰度”难以兼得的优化困境。

目前，该工作已投稿至KDD 2026会议，文章已在arXiv 公开，代码同步开源至 GitHub 。我们希望这项工作能为 AI 短临预报领域提供新的视角，也欢迎社区的老师同学指正！

本文第一作者为杭州电子科技大学硕士研究生刘柏田，通讯作者为吴昊老师。研究得到了浙江省气象科学研究所与南京大学合作团队的大力支持。

论文链接：https://arxiv.org/abs/2602.02096

项目主页：

https://github.com/sonderlau/WADEPre

图文：刘柏田

排版：天兔兔

审核：风云梦远

策划：航崽

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。