观潮 · 模式预报与气象 AI 观察
视觉 Mamba 嵌入 PredRNN 记忆更新：40 dBZ 强回波 CSI 较次优最高提升 12.54%
> 雷达回波外推的老毛病有两个：预报时效一长，循环网络把早期的降水演变趋势「忘」掉；中高强度回波在逐帧递归里被大片弱回波背景稀释，强回波核心越报越平滑。这篇提出的 SCEVM-LSTM 把两个组件直接装进 PredRNN 的循环单元内部——视觉 Mamba 块负责长程上下文的选择性压缩，SCEMA 模块先删冗余特征再增强强回波结构。在 CIKM、HKO-7、Shanghai 三个数据集上，40 dBZ（暴雨量级）阈值的 CSI 较次优模型提升 9.22%–12.54%，单样本推理 0.0632 s。作者同时给了三类失败案例，并承认弱、散、短生命周期回波和边界入流场景仍是短板。
缺的是哪一块
短临降水预报面向未来 0–2 h 的局地降水，两条主流路线各有瓶颈：数值天气预报受分辨率和计算成本限制，模式积分启动耗时，难以满足 0–2 h 的高时效预警；交叉相关、单体质心、光流这类传统外推假设回波短时内匀速直线运动，抓不住对流系统的生消、合并和形变。
深度学习外推里，基于 RNN 的方法（ConvLSTM、TrajGRU、PredRNN、MIM）应用最广，但随预报时效延长暴露两个相互关联的问题：
- 长程信息衰减。递归传播中隐藏状态保留早期关键信息的能力逐渐减弱，远离当前时刻的降水系统演变趋势捕不住，长时效性能下降。
- 强回波被稀释。相邻雷达帧里大面积背景回波、弱回波和缓慢运动模式构成大量冗余，循环单元若没有抑制机制，低频背景特征会在隐藏状态和记忆单元里占据主导；而强回波核心空间占比小、强度变化快、边界不规则，特征响应在递归更新和卷积聚合中被稀释，随步长累积，最终表现为强回波信号快速衰减。
Transformer 类方法能建模全局依赖，但缺少显式递归记忆更新机制，高分辨率雷达图像下计算开销高，中后期外推仍会出现局部结构平滑和强回波细节弱化。Mamba 一类的选择性状态空间模型长程建模强，可雷达外推本质是要求精确序列生成与状态一致性的任务——这恰是 RNN 的固有地盘。论文选择的切入点：把 Mamba 的长程建模塞进 RNN 的记忆更新路径里，而不是当外部编码器用。
方法怎么搭的
整体结构是 PredRNN 式的 4 层时空 LSTM 堆叠，隐藏状态沿锯齿方向更新、时空记忆沿水平方向传播，改动全部发生在单元内部。
原文图 1：SCEVM-LSTM 的网络结构。4 层 SCEVM-LSTM 单元堆叠，隐藏状态 H 沿锯齿方向更新，时空记忆 M 沿水平方向传递，预测结果从顶层输出。
组件一：视觉 Mamba 块嵌入细胞状态更新
视觉 Mamba 块用二维选择性扫描（SS2D）对历史上下文做选择性压缩与融合：先把图像块沿 4 个不同路径展开成 4 个序列，各自用独立的 S6 块处理，再把 4 个方向的序列相加合并。SS2D 保持线性计算复杂度，缓解长序列预测的信息衰减。
原文图 3：SS2D 的三阶段流程——交叉扫描把输入沿 4 个路径展开为 4 个序列，每个序列经独立 S6 块处理，交叉合并阶段将 4 个方向输出相加复原为单幅图像。
与把 Mamba 当外部特征编码器的做法不同，这里视觉 Mamba 块的输出经 tanh 和 sigmoid 激活后，直接模拟 ST-LSTM 的门控机制参与细胞状态更新——长程上下文由此进入循环记忆本身。
组件二：SCEMA 先去冗余、再增强
SCEMA（空间通道重建卷积注意力模块）是串联设计，前段 SCConv、后段 EMA：
- SCConv 由空间重建单元 SRU 与通道重建单元 CRU 顺序组成。SRU 借组归一化层的缩放因子评估各特征图信息丰富度，按阈值把特征图分成「保留/丢弃」两路后交叉重构；CRU 把特征按比例 α 拆成上下两部分，分别经分组卷积与逐点卷积提取再融合，压掉通道冗余。
- EMA 把 SCConv 输出按通道分组，经 1×1 与 3×3 两条并行支路提取注意力描述符，再做跨空间学习：两组描述符分别重塑、池化、softmax 后交叉相乘，得到两张空间注意力图，求和后重新校准原始特征，增强与中高强度回波演变相关的多尺度气象结构。
原文图 4：SCEMA 模块架构。输入特征先经 SCConv（SRU 空间细化 + CRU 通道细化）去除冗余，再经 EMA 多尺度注意力重校准，得到最终特征。
原文图 5：SCConv 的两个重建单元。上：空间重建单元 SRU——组归一化权重经 Sigmoid 与阈值分成 W1/W2 两路，分别保留与丢弃后重建出空间细化特征；下：通道重建单元 CRU——特征按比例 α 拆分，经 1×1 卷积分成上下两路，GWC 与 PWC 并行提取、池化与 Softmax 生成通道权重后融合为通道细化特征。
原文图 6：高效多尺度注意力 EMA。特征按通道分组后走三条并行路径——1×1 分支沿高、宽两个方向做一维全局平均池化并重加权实现跨通道交互，3×3 分支捕捉局部跨通道交互，跨空间学习阶段将两组描述符交叉相乘生成两张空间注意力图，求和后重新校准输入特征。
原文图 7：SCEVM-LSTM 单元。当前输入 X 与前一时刻隐藏状态经 SCEMA 处理后分解为新输入与隐藏状态，视觉 Mamba 块（VSB）经线性投影（LP）参与细胞状态 C 的更新，时空记忆 M 的门控更新机制与 PredRNN 保持一致。
训练配置
项 · 设置
框架与硬件 · PyTorch，NVIDIA RTX 3090（24 GB 显存）
单元层数 · 4 层，每层通道数 64、卷积核 5
优化器 · Adam，批大小 2，学习率 1×10⁻⁴
训练轮数 · 最多 100，验证集 MSE 连续 5 轮不降即早停
视觉 Mamba 状态维度 · d_state = 1（遵循先前工作）
SCEMA 参数 · α = 1/2，r = 2，g = 2，k = 3，G = 32
随机种子 · 固定为默认值 0
评价指标 · CSI/HSS/POD 在 20、30、40 dBZ（小雨/中雨/暴雨）阈值下计算，另计 MSE 与 SSIM
三个数据集：CIKM AnalytiCup 2017（深圳，101×101 像素覆盖 101 km，6 min 分辨率，取 3.5 km 高度层，前 5 帧报后 10 帧）；HKO-7（香港天文台 2009–2015 年，512 km 覆盖，10 帧报 10 帧推演未来 1 h，训练/验证/测试序列 9554/580/1535）；Shanghai（上海浦东 WSR-88D 双偏振雷达 2015 年 10 月–2018 年 7 月复合反射率，序列 4636/901/901）。
结果数字
40 dBZ 强回波：较次优模型与较基线模型
对比模型 8 个：ConvLSTM、PredRNN、MIM、PhyDNet、SimVP、Earthfarseer、VMRNN、AlphaPre。
数据集 · CSI 提升 · HSS 提升 · POD 提升
CIKM · +9.38% · +10.33% · +11.00%
HKO-7 · +9.22% · +11.70% · +10.07%
Shanghai · +12.54% · +8.87% · +7.31%
消融实验里，相对基线模型 PredRNN，完整 SCEVM-LSTM 在 40 dBZ 阈值下 CSI、HSS、POD 分别提升 25.12%、27.37%、30.94%。拆开看：单用 SCConv 或 EMA 都有提升但弱于联合的完整 SCEMA；顺序颠倒的变体 EMASC（先 EMA 后 SCConv）性能显著低于正序——注意力若先接触未去冗余的原始特征，权重图本身带噪声；SCConv+EMA 组合也一致优于 SCConv+CBAM 与 SCConv+PFG。
弱降水一侧的反例
CIKM 数据集 20 dBZ（弱降水）条件下，SCEVM-LSTM 的 CSI、HSS、POD 并非最优。作者的解释：20 dBZ 阈值把大量弱小、边缘化、短生命周期回波纳入统计，位置偏移、过度平滑和强度低估会增加漏报，预测范围偏大和局部虚警又同时压低 CSI 和 HSS；而 SCEMA 的设计本就侧重增强中高强度、时空组织性强的回波特征，与零散孤立的小尺度弱回波不对路。
推理时效
模型 · 单样本推理时间
PredRNN（基线） · 0.0593 s
SCEVM-LSTM · 0.0632 s
MIM · 0.0687 s
AlphaPre · 0.0718 s
VMRNN · 0.1233 s
Earthfarseer · 0.1794 s
作者对计算开销的定位是「有目的的权衡」：开销高于以效率为设计目标的 VMRNN，但相对基线 PredRNN 增长可控，且显著低于 Earthfarseer 这类结构更复杂的网络，换的是 40 dBZ 业务最关心指标上的提升。MSE 和 SSIM 提升幅度小于阈值类指标，作者的归因是阈值类指标聚焦强回波核心的命中能力，而 MSE/SSIM 在全场像素上平均，强回波区占比小、贡献被大量低强度区域稀释。
原文图 8：HKO-7 数据集上不同模型在 20、30、40 dBZ 阈值下 CSI、HSS、POD 的逐帧比较。随预报时效延长所有模型性能下降，SCEVM-LSTM 的曲线总体位于其他模型之上，长时效段差距更明显。
原文图 9：HKO-7 降水事件可视化对比。随时效延长，ConvLSTM、PredRNN、PhyDNet、Earthfarseer、VMRNN 的外推逐渐模糊、高回波消失；MIM 高估下方小尺度降水区，SimVP 误报上方低强度回波区的演变，AlphaPre 对小尺度降水精细度不足；SCEVM-LSTM 的形态与空间趋势更接近实况。
三类失败案例
作者从 CIKM 测试集选了三类代表性失效场景，并明确这些案例并非模型在所有对比方法中表现最差的情形，而是用来揭示特定天气场景下的典型误差类型。
原文图 10：低阈值弱回波零散结构场景。实况以零散片状、断续带状弱回波为主，随时效收缩为断续弧状弱回波带。SCEVM-LSTM（验证期 CSI20 = 0.263、CSI30 = 0.027）能报出可见回波，但断续小尺度弱回波被合并为较连续区域，中后期维持或扩展了实况已减弱收缩的范围，存在空间偏移和局部虚警。
原文图 11：局地对流快速增强与多区域回波发展场景。实况右下侧回波单体迅速加强成橙红色强回波核心，底部回波带逐渐发展、上方出现孤立新生单体。SCEVM-LSTM（CSI20 = 0.232）能延续早期已有的右下侧回波核，但对后续快速增强的强回波核心刻画不足、红色强回波明显偏弱，对新生单体和底部发展中的回波带响应不足。
原文图 12：观测边界入流或边界相关演变明显的场景。SCEVM-LSTM（CSI20 = 0.378）早期可报出部分边界附近回波，但中后期左侧和左下侧回波带过宽、过连续且偏平滑，与实况更破碎不规则的分布不符；对下边界和右侧边界的局地强回波核心、斜向强回波带刻画不足。
作者承认的限制
- 弱、散、短生命周期回波是明确短板。表现为结构平滑、空间定位偏差和局部虚警；CIKM 20 dBZ 三项指标未最优，作者写明这不代表模型无法预测弱回波，而是「弱回波的空间精确定位、短生命周期变化刻画以及虚警控制方面仍存在不足」。
- 只吃单一雷达回波序列。尚未显式引入风场、水汽、温度、地形、数值天气预报场等外部物理信息，对观测区域外部输入、局地动力触发或复杂地形影响下的突发新生、快速增强和边界相关演变过程刻画不足。
- 不是极端轻量模型。计算开销高于效率导向的模型，定位是在强对流预警中以适度计算开销换取强回波指标提升。
- 统计稳健性未做。作者写明后续需开展多随机种子重复实验和统计显著性检验，以更全面评估性能稳定性。
- 改进方向自己列了四条：融合多源观测与 NWP 背景场；引入面向强回波核心、弱小尺度回波和目标级结构的复合损失函数（减轻像素级损失的平滑化倾向）；探索物理约束、概率预报和不确定性估计；优化结构与推理效率以利业务部署。
一句话判断
把 Mamba 的长程建模从「外挂编码器」改成「参与循环记忆更新」，再用 SCConv+EMA 的串联先删冗余再增强强回波结构——40 dBZ 指标上一到两个百分点的相对提升、弱回波场景上明说的短板，两笔账都摆在明面上；对做降水 AI 外推的人，消融表和三类失败案例比 SOTA 数字更值得看。