融合频域自注意力的卫星云图预测网络 CloudPredUNet

目的现有卫星云图预测方法在应对云团非线性运动时存在局限：传统方法难以建模复杂动态，深度学习模型则常受计算复杂、感受野有限或时间依赖建模不足的制约。为此，本文提出融合频域自注意力的卫星云图预测网络CloudPredUNet。方法CloudPredUNet基于UNet架构，编码器引入频域注意力模块，通过对图像块进行傅里叶变换与频域互相关，以较低计算成本实现全局特征聚合；解码器结合多尺度空洞卷积与空间注意力，增强细节重建；时间映射器融合多分支异感受野卷积与通道重标定，以加强长程时空依赖建模。结果在FY 2D数据集上的实验表明，CloudPredUNet在模型效率与预测精度上均领先。CloudPredUNet在参数量（0.101 M）和计算量（5 GFLOPs）远低于主流对比模型的同时，在四项关键评价指标上均取得最优值：MAE（Mean Absolute Error）为8.393、MSE（Mean Squared Error）为188.922、SSIM（Structural Similarity Index Measure）为0.825、PSNR（Peak Signal to Noise Ratio）为25.367。消融实验验证了各模块的有效性与互补性，完整模型相比基线在MAE上提升约11.63%。多帧预测结果显示，该模型在连续五帧预测中每一帧的MAE均为最低，且在第五帧预测误差（10.589）较次优的MIM模型（10.852）进一步降低约2.4%，显示出更优的抗误差累积能力。可视化对比进一步证实，所提方法在云团生长、合并及台风眼结构保持等复杂场景中，能更完整地维持细节与运动一致性。结论本文工作为气象业务中实时、精准的云图短时预测提供了轻量高效的解决方案。未来将拓展数据集覆盖范围、探索多模态数据融合，并进一步优化频域注意力机制以提升重建质量。