最近，由宜宾学院和重庆理工大学共同指导的研究生在IEEE Geoscience and Remote Sensing Letters知名学术期刊上成功发表了一篇题为“Two-stage Rainfall-Forecasting Diffusion Model”的论文。该研究针对当前降雨预测技术中的一些限制，如生成图像的清晰度不足和空间位置的不精确性问题进行了深入探讨。为了解决这些问题，提出了一种创新的两阶段降雨预测扩散模型。

该项研究由宜宾学院人工智能与大数据学部李朝荣教授领导的人工智能与视觉检测团队支持。论文的第一作者是宜宾学院和重庆理工大学联合培养的硕士研究生凌旭东，通讯作者为李朝荣教授。该研究的模型代码已在GitHub开源平台上发布，目前已引起国外研究人员的关注和咨询。

TRDM模型，全称两阶段降雨预报扩散模型，是一个革命性的技术框架，旨在提升长期降雨预测的精度，并解决在时间序列和空间分析上的性能不一致性问题。这一模型采用双管齐下的策略来应对降雨预测任务。在首阶段，该模型专注于在较低分辨率的环境中获取稳固的时间序列数据，同时保持空间信息不失真。继而进入第二阶段，此阶段的关键在于将初步得出的低分辨率预测图像升级，转换成更高清晰度的图像。通过在MRMS以及瑞典雷达数据集上的测试，TRDM模型展现了其领先的性能表现，尤其是在瑞典的数据上，在60至80分钟的预测时间窗口内，与其他标准方法相比，该模型在CSI（Critical Success Index，关键成功指数）上取得了5至10个百分点的提升。

图1.TRDM的框架。 第一部分涉及用于预测的低分辨率扩散模型，其中包括3D 序列扩散模型； 它使用四个条件帧（20 分钟）的输入来预测低分辨率状态接下来的 16 帧（80 分钟）为 (32 × 32)。 第二部分涉及超分辨率扩散模型，其构建使用二维去噪扩散模型，旨在将低分辨率帧重建为高分辨率图像（256×256）。

图2. 展示了一个具有挑战性的降水事件案例研究,该事件发生于2021年1月10日03:55,地点在瑞典。图中显示了使用不同方法在提前期T+5、T+20、T+40、T+60和T+80分钟时刻所做的单独预测。每张子图的左下角标注了连续排名概率得分(CRPS)和分数(FSS)。

凌旭东已经第二次在人工智能降雨量和天气预测领域取得了先进的研究成果。他希望通过持续不断的努力和学习，为该领域的发展做出自己的贡献。同时，我们也期待着两所学校之间在联合培养研究生方面能够取得更加优异的成果，以推动该领域的发展。

                                                                                         撰稿人：陈明香

审稿人：李朝荣、王星捷