用于降水临近预报的物理引导数据空间 Rectified Flow

基于摘要分析。本文研究长时程降水临近预报中精细雷达回波结构保持与整体输运一致性的问题，提出 Physically-guided Data-space Rectified Flow（PDRF），通过数据空间中的生成 ODE 重参数化和物理先验正则，缓解远期预测的形态失真。 核心机制：作者认为，常规 Rectified Flow（RF）的数值 ODE 积分会累积速度估计误差，使生成轨迹逐渐偏离数据流形。PDRF 改为由网络预测干净的未来序列，并据此解析地诱导耦合向量场；作者将其描述为具有抑制漂移的隐式恢复效应。此外，方法引入基于平流先验的软 Semi-Lagrangian 教师，约束大尺度输运，同时允许局部增长、衰减和形变由数据学习。具体向量场公式、教师构造、损失及推理配置尚未验证。 结果与证据边界：作者报告，在四个公开基准上，PDRF 的事件型预报技巧指标一致改善，并在长预测时程中更好地保持强回波形态。摘要未提供基准名称、数据划分、预测时长、指标定义、数值或对照方法，不能据此量化增益或比较不同协议；实验协议、消融及统计信息尚未验证。复现需核对数据预处理、ODE 求解设置，以及重参数化与物理教师的独立贡献。 平台推测（待验证）：可探索的迁移假设仅是“干净序列预测所诱导的恢复效应能否减轻 EEG 长时程生成或预测的漂移”，而不是将降水平流直接视为脑电传播。原任务依赖具有空间结构的回波序列及平流先验；EEG 的低信噪比、通道布局变化、跨被试差异和小数据条件可能使该机制失效。可在固定 EEG 划分、匹配训练与求解预算下，对比直接速度预测和干净序列预测，检验多步预测误差及频谱保持情况；物理教师需要重新论证，不能直接套用。已有 EEG 相关工作尚未检索确认。