[AI学术] MZ‑Rain：基于水分预算的零膨胀站点降水短时预报模型

准确的站点级降水短时预报对农业、水平资源管理和灾害防御至关重要，通常被视为时间序列预测问题。传统时间序列模型面临两大难点：

1. 缺乏物理引导——气象要素被当作同质集合处理，未区分其在降水形成中的不同作用，导致预测偏离真实物理过程。

2. 严重的零膨胀——干旱时段占据数据集大部分，使得有效降水模式被掩盖，建模困难。

为克服上述问题，本文提出 MZ‑Rain，一种基于水分预算的零膨胀 sLSTM 框架。模型核心思路是依据水分预算方程 $$\frac{\partial W}{\partial t}= -\nabla\cdot \mathbf{Q}+E-P$$ 将降水形成过程拆分为四条专属路径：

• 水分储存（存储项 $W$）
• 水分输送（通量 $\mathbf{Q}$）
• 地表蒸发（蒸发 $E$）
• 降水持续（降水 $P$） 每条路径由独立的 sLSTM 分支捕获其时序演化，保证模型在学习过程中遵循物理约束。

针对降水的零膨胀特性，MZ‑Rain 引入自适应 Tweedie 分布建模策略。该策略在学习降水均值的同时，将降水出现与否设为辅助任务，实现干湿判别与定量降水估计的协同优化。

在多个地理与气候区的实验中，MZ‑Rain 在 CSI、FAR、MSE、MAE 等指标上持续超越强基线，尤其在强降水事件的预报上表现突出，验证了物理驱动建模的有效性。

点评：MZ‑Rain 将物理知识与深度时序模型有机结合，解决了零膨胀与物理一致性双重难题，为站点级降水短时预报提供了新范式。