复现：Mamba-UNet：降水临近预报的创新解决方案

S. Zhao et al., “Mamba-UNet: Dual-Branch Mamba Fusion U-Net With Multiscale Spatio-Temporal Attention for Precipitation Nowcasting,” in IEEE Transactions on Industrial Informatics, doi: 10.1109/TII.2025.3540478.

原文
复现代码在最后

在全球气候变化的背景下，降水临近预报（0-6小时内局部地区降水预测）变得愈发重要。它对于农业、水资源管理、航空运输以及灾害预防等领域都有着不可忽视的价值。然而，这一任务充满挑战，包括区域异质性导致的泛化难题、动态多尺度建模的精度限制，以及对极端降水事件的敏感性不足等问题。近年来，随着深度学习技术的发展，基于雷达回波和深度学习的降水临近预报方法逐渐成为研究热点。今天，我将为大家介绍一种全新的降水临近预报网络——Mamba-UNet，它以其创新的设计和卓越的性能，为解决上述挑战提供了新的思路。

传统方法的局限性

在深入了解Mamba-UNet之前，我们先来回顾一下传统降水临近预报方法所面临的局限性。传统的数值天气预报方法在短期预测中存在分辨率有限和计算复杂度高的问题，这不仅限制了处理速度，还降低了对快速变化天气条件的适应性。而基于深度学习的方法，如CNN、RNN及其变体，虽然在一定程度上提高了预测性能，但仍存在一些不足。

CNN擅长捕捉空间特征，但在处理长时间雷达回波图像序列时，难以有效捕捉长期依赖关系，影响了时空关系的建模。RNN及其变体（如ConvLSTM）在处理时间序列数据方面具有优势，但计算复杂度高，且在长时间序列数据处理时存在梯度消失和短期记忆问题。此外，RNN在处理气象特征和多源气象数据融合方面仍有待提高。近年来，基于Transformer的方法因其在自然语言处理领域的成功而逐渐被引入降水预报领域。Transformer能够通过多头自注意力机制有效捕捉长期依赖关系，并实现并行处理。然而，降水数据具有高度的时间和空间依赖性，这些依赖关系往往是非线性和复杂的，而Transformer在处理高度稀疏和噪声数据时往往表现不佳。

Mamba-UNet的创新设计

Mamba-UNet是一种基于视觉Mamba技术的U-Net短期降水预测网络。它包含两个核心模块：双分支Mamba融合模块（DMFM）和多尺度时空注意力模块（Multiscale STAM），并提出了一种动态分位数加权损失函数（DQWL）来解决降水强度分布不平衡的问题。