SRViT: Vision Transformers for Estimating Radar Reflectivity from Satellite Observations at Scale

本文介绍了一种基于Transformer的神经网络，从静止卫星图像中生成高分辨率（3公里）的合成雷达反射率场。此工作旨在增强对高影响天气事件的短期对流尺度预测，并帮助数值天气预报的数据同化。与具有有限接受域的卷积方法相比，我们的结果显示，在各种复合反射率阈值上，我们的方法具有更好的清晰度和更高的准确性。针对特定大气现象的其他案例研究支持了我们的定量发现，同时引入了一种新的归因方法，以指导领域专家理解模型输出。

论文旨在利用基于变压器的神经网络从静止卫星图像生成高分辨率(3km)的合成雷达反射率场，以增强对高影响天气事件的短期对流尺度预测，并为美国数值天气预报的数据同化提供帮助。

相比卷积方法具有有限的感受野，本文提出的变压器方法显示出改进的锐度和更高的准确性，支持各种复合反射率阈值。此外，引入了一种新的归因方法来指导领域专家理解模型输出。

本文使用变压器神经网络生成高分辨率的合成雷达反射率场，以增强对高影响天气事件的短期对流尺度预测。实验结果显示，相比卷积方法，变压器方法具有更好的锐度和更高的准确性。本文引入了一种新的归因方法来帮助领域专家理解模型输出。本文使用了多个数据集进行实验，并且提供了开源代码。

最近的相关研究包括：1. 'Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model' 2. 'Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting' 3. 'Nowcasting with an Ensemble of Convolutional LSTM Networks and Dense Networks for Precipitation Forecasting'等。