SFNL-Former: A Novel Spatial-Frequency Non-local Network for Precipitation Forecast
Hanjie Wang · Xinyue Mo · Huan Li
提出SFNL-Former网络，通过空间-频率分离和长程建模提升降水预报精度。
空间-频率域注意力编码器与基于LSH的非局部稀疏感知Transformer。
在高强度降水阈值下，CSI提升且误报率显著降低，预测一致性最优。
可探索将SFNL-Former应用于农业区域精细化降水预报，结合多源数据提升极端天气下的农业灾害预警能力。
论文提出SFNL-Former模型提升降水预报精度，对农业防灾有应用价值，方法新颖，数据可靠。
准确、高分辨率的降水预报对于城市灾害缓解和农业至关重要，是精细化管理的基础。此外，作为陆地水文循环的主要输入，其精确量化对于可持续水资源管理和高效循环至关重要。然而，由于大气过程固有的复杂时空和非线性动力学演变，这一任务仍极具挑战性。深度学习已通过CNN-RNN或Transformer架构广泛应用于天气预报，但这些方法往往难以在捕捉全球气象运动的同时保留局部强对流的细粒度细节。此外，在面对以长尾分布为特征的极端降水事件时，它们容易产生模糊预测或表现出高误报率。为解决这些问题，我们提出了空间频率与非局部Former网络（SFNL-Former），通过显式的空间频率域特征分离和高效的长距离时空建模，准确预测复杂的降水演变。设计了一种空间频率域注意力（SFDA）编码器，分别提取降水场的低频全局背景和高频局部纹理。此外，引入了基于局部敏感哈希（LSH）的非局部稀疏感知Transformer（NLSAT），以线性复杂度捕捉长距离时空依赖性。在真实数据集上的实验表明，SFNL-Former在多个指标和空间尺度上均优于现有基线方法。具体而言，在具有挑战性的高强度降水阈值下，该模型提高了关键成功指数并大幅降低了误报率，同时保持了最优的预测一致性。因此，该框架能够为主动灾害响应提供关键决策支持，在未来极端天气情景下促进更具韧性的社会管理系统。