IOAI 2025 At-Home Satellite Weather Forecasting

• 来源：noai-mis/IOAI/IOAI-2025/At-Home-Round/Weather
• 类型：CV / segmentation
• 原始资料：Weather.ipynb、Weather_Solution.ipynb、metric_v5
• 题面完整性：notebook 内完整
• 解法资料完整性：有 reference solution

题面大意

根据多通道卫星图像预测降雨区域。提交 submission.zip，包含 pred_a.npz 和 pred_b.npz，每个 .npz 内有 Y_pred_128 与 Y_pred_256 两种尺寸的布尔预测 mask。

数据特点

输入包含多个卫星通道，不同通道对应可见光、水汽、红外云顶温度等信息。数据有 128 x 128 和 256 x 256 两种 patch，并带有地理位置与开始时间 metadata。降雨区域是空间 mask，类别极不平衡，很多像素为无雨。

考点

核心考点是卫星图像语义分割与气象先验。需要选择对降雨有帮助的通道，利用时间/太阳高度角/地理位置等辅助信息，并用合适的 loss 处理前景稀疏。

涉及知识点

• UNet / encoder-decoder 分割。
• BCE + Dice loss。
• 多尺度输入处理。
• 通道归一化与气象通道选择。
• 太阳高度角、经纬度等辅助特征。

解法思路

参考 solution 将 128 数据上采样到 256，统一输入模型，并计算每个样本的太阳高度角作为辅助信息。模型使用分割网络，loss 结合 BCEWithLogitsLoss 和 Dice loss。推理后对概率 mask 选择阈值生成布尔输出，并分别保存 128/256 尺寸预测。

可选/多种解法

标准 UNet：强基线。

带 ASPP/attention 的 UNet：增强多尺度云团建模。

独立图像级分类 + 分割：先判断是否有雨，再输出 mask，减少空图误报。

特殊技巧

题面提示 C07、C13-C15 等云顶温度通道与强对流相关，C08-C10 水汽通道也有帮助。Dice loss 能提升小雨区召回，但阈值要在验证集上调。太阳高度角可帮助区分可见光通道中的昼夜差异。

调参优化

题解已有调参点包括 128 上采样到 256、BCE+Dice、太阳高度角和 mask 阈值。建议重点扫描 Dice/BCE loss 权重、正类 pos_weight、UNet 通道宽度、学习率、输入通道选择、阈值和最小连通域过滤面积。验证指标要用 IoU/F1/Dice 这类分割指标，不能用像素 accuracy。若 128 与 256 数据分布不同，可分别调阈值或在推理后按原分辨率做轻量形态学后处理。

注意事项

.npz 键名和 shape 必须严格匹配。128 和 256 预测不能混淆顺序。若模型输出 logits，保存前要 sigmoid + threshold。不要只看像素 accuracy，空 mask 会掩盖问题。

推广意义

这题是遥感/气象分割任务范例：多光谱通道、稀疏前景、多尺度数据和元信息融合。方法可迁移到云检测、降水 nowcasting、洪水/火点分割等任务。