近日，由宜宾学院与重庆理工大学共同指导的研究生罗文杰， 在《IEEE Transactions on Geoscience and Remote Sensing》（IEEE TGRS，IEEE地球科学与遥感汇刊）学术期刊上发表一篇题为“SSRF-Net: A Stage-wise Scheduled Rainfall Forecasting Network with an Asymmetric Architecture”（SSRF-Net：一种具有非对称架构的分阶段调度降雨预测网络）的论文。该项研究由宜宾学院计算机科学与技术学院李朝荣教授带领的“人工智能与视觉检测团队”提供学术支持；论文第一作者为罗文杰，通讯作者为李朝荣教授，宜宾学院为第一完成单位。该项研究提出一个“分阶段 + 调度训练”的新框架（SSRF-Net），针对多步降雨预测中易出现的误差累积、过度平滑与强降雨刻画不足等难题，给出了系统性的工程与学习策略解决方案。核心做法包括：多阶段滑动窗口滚动预测、基于计划采样（scheduled sampling）的教师强迫训练，以及强度加权的高斯 KL 散度损失用于强调中到强降雨的预测能力。经在 KNMI 与 SEVIR 两个公开雷达数据集的大量实证对比，SSRF-Net在高阈值强降雨场景下取得显著增益（如 KNMI 上 30 mm/h 阈值逐帧 CSI 提升最高达 41.8%；SEVIR 上 12 kg/m² 阈值 CSI 提升 17.3%），同时保持较高的计算效率（约 6.55 GFLOPs / 8.69M 参数）。

图1

图1概述多步降雨预报的几种生成策略与训练机制：（a）直接一次性生成全序列；（b） 贪心式多模型选择；（c）多阶段滚动预测（本研究）；（d）带计划采样的教师强迫，训练中以递减日程在真值与模型自回归输出间切换，稳定长时序学习并降低暴露偏差。

图2

图2展示了一个具有挑战性的降水事件案例研究，样例来自 SEVIR 数据集（美国本土 CONUS）。本例采用每 5 分钟一帧、共 13 帧（T+5 至 T+65 分钟）的临近预报设置。图中对比了 SSRF-Net 与若干强基线在多个提前期下的逐帧预测；可见随提前量增加，SSRF-Net 在保持强回波核心、边界连续性与移动路径方面更贴近真值，尤其在强降水区域的形态与峰值刻画上表现更稳定。

论文发表地址：https://ieeexplore.ieee.org/document/11224360

（供稿/陈明香 审核/王星捷 终审/陈锐杰 编辑/王颖 制作/余俊言）