计算机工程

作者：张永宏, 孙书林, 龚蒙, 王俊飞, 马光义

单位：1. 南京信息工程大学自动化学院, 江苏 南京 2100442. 南京信息工程大学江苏省大气环境与装备技术协同创新中心, 江苏 南京 2100443. 南京信息工程大学电子与信息学院, 江苏 南京 210044

关键词：云图预测,时空序列预测,深度学习,循环卷积网络,遥感卫星

基金：国家重点研发计划(2021YFE0116900); 国家自然科学基金(42175157); 风云应用开创性项目(FY-APP-2022.0604)

针对现有深度学习模型难以捕获云团运动模式导致云图长期预测结果模糊、准确度低的问题, 提出一种基于多尺度运动记忆模型(MSMM_Net)的遥感云图预测方法。该模型采用空间多尺度记忆流和运动差分记忆流相融合的双分支记忆流架构, 分别提取输入图片序列隐含的高低频空间特征和序列运动特征, 从而同时获得图片的全局信息、细节信息和运动信息, 在预测阶段融合双分支记忆, 缓解特征丢失问题并增强模型对云团运动轨迹的预测能力。在此基础上, 使用像素损失和边缘损失相结合的融合损失函数指导模型的训练, 强化模型对图片边缘细节的关注度, 促使模型生成清晰的预测图片。实验结果表明, 与基准模型PredRNN相比, MSMM_Net在Moving MNIST数据集上的均方误差(MSE)降低了31.71%, 在可学习感知图像块相似性指标(LPIPS)上降低了64.7%, 在遥感卫星云图数据集上, 峰值信噪比(PSNR)和结构相似性指数(SSIM)指标分别提升了5.51%和5.38%, 表明该模型生成的预测图片序列与真实图片序列更加相似, 能够有效提升长期预测准确率。

来源：2026年第3期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第3期