Multimodal Deep Learning in Precipitation Nowcasting: A Review from a Geometric Evolution
Rattachement africain : cn, us, gb. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Deep learning has significantly advanced precipitation nowcasting by improving the representation of complex spatiotemporal atmospheric processes. However, multimodal fusion remains challenging due to geometric inconsistencies across heterogeneous meteorological observations, including radar grids, satellite imagery, station networks, and numerical weather prediction fields. This review provides a geometric evolution perspective for multimodal precipitation nowcasting by categorizing existing methods into four representation paradigms: Euclidean grid-based backbone models, non-Euclidean graph neural networks, global latent-space attention models, and probabilistic generative models. This taxonomy highlights how different architectures address geometric mismatch across modalities while enabling progressively richer spatiotemporal representations. We further summarize representative datasets, evaluation metrics, and key reproducibility challenges. Finally, we discuss emerging directions including meteorological foundation models, physics-informed learning, probabilistic forecasting, and interpretable multimodal fusion, which together point toward more robust and generalizable nowcasting systems.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Multimodal Deep Learning in Precipitation Nowcasting: A Review from a Geometric Evolution
- Date Crossref
- 21/07/2026
- Éditeur
- Informa UK Limited
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Nanjing University of Information Science and Technology pays non établi dans la noticeUniversité ou école supérieure
-
Inner Mongolia Autonomous Region Meteorological Bureau pays non établi dans la noticeOrganisme public
-
Chinese Academy of Meteorological Sciences pays non établi dans la noticeStructure de recherche
-
Qinghai Meteorological Bureau pays non établi dans la noticeOrganisme public
-
Joint Institute for Computational Sciences pays non établi dans la noticeStructure de recherche
-
King's College London pays non établi dans la noticeUniversité ou école supérieure
-
Beihai Meteorological Bureau of Guangxi Zhuang Autonomous Region pays non établi dans la noticeInstitution
-
Nanjing Joint Institute for Atmospheric Sciences pays non établi dans la noticeStructure de recherche
Nanjing University of Information Science and Technology, Inner Mongolia Autonomous Region Meteorological Bureau et Chinese Academy of Meteorological Sciences, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.