[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Hzzone--Precipitation-Nowcasting":3,"tool-Hzzone--Precipitation-Nowcasting":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":106,"forks":107,"last_commit_at":108,"license":82,"difficulty_score":10,"env_os":109,"env_gpu":110,"env_ram":111,"env_deps":112,"category_tags":117,"github_topics":118,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":123,"updated_at":124,"faqs":125,"releases":161},3026,"Hzzone\u002FPrecipitation-Nowcasting","Precipitation-Nowcasting","pytorch implemention of trajGRU.","Precipitation-Nowcasting 是一个基于 PyTorch 开发的开源项目，专注于利用深度学习技术进行降水临近预报。它通过构建包含 TrajGRU 和 ConvLSTM 等循环神经网络的编码器 - 预测器模型，能够分析历史雷达回波图像序列，从而精准预测未来短时间内的降雨分布情况。\n\n该工具主要解决了传统气象模型在处理高时空分辨率降水预测时的局限性，特别是在捕捉降雨云团的复杂运动轨迹和非线性变化方面表现优异。项目在权威的 HKO-7 数据集上进行了验证，证明了其在不同降雨强度下的有效性和鲁棒性。\n\nPrecipitation-Nowcasting 非常适合人工智能研究人员、气象数据科学家以及深度学习开发者使用。对于希望探索时空序列预测算法或从事气象智能化应用开发的团队，这是一个极具参考价值的基准实现。\n\n其核心技术亮点在于对 TrajGRU（轨迹门控循环单元）的高效复现。与标准卷积 LSTM 不同，TrajGRU 能够动态学习输入特征的运动轨迹，从而更准确地模拟云层的物理移动规律。此外，项目提供了完整的训练流程、预训练模型下载以及详细的性能指标，帮助用户快速上手并复现前","Precipitation-Nowcasting 是一个基于 PyTorch 开发的开源项目，专注于利用深度学习技术进行降水临近预报。它通过构建包含 TrajGRU 和 ConvLSTM 等循环神经网络的编码器 - 预测器模型，能够分析历史雷达回波图像序列，从而精准预测未来短时间内的降雨分布情况。\n\n该工具主要解决了传统气象模型在处理高时空分辨率降水预测时的局限性，特别是在捕捉降雨云团的复杂运动轨迹和非线性变化方面表现优异。项目在权威的 HKO-7 数据集上进行了验证，证明了其在不同降雨强度下的有效性和鲁棒性。\n\nPrecipitation-Nowcasting 非常适合人工智能研究人员、气象数据科学家以及深度学习开发者使用。对于希望探索时空序列预测算法或从事气象智能化应用开发的团队，这是一个极具参考价值的基准实现。\n\n其核心技术亮点在于对 TrajGRU（轨迹门控循环单元）的高效复现。与标准卷积 LSTM 不同，TrajGRU 能够动态学习输入特征的运动轨迹，从而更准确地模拟云层的物理移动规律。此外，项目提供了完整的训练流程、预训练模型下载以及详细的性能指标，帮助用户快速上手并复现前沿研究成果。","### Introduction\nThis repo has implemented a pytorch-based encoder-forecaster model with RNNs including (TrajGRU, ConvLSTM) to do precipitation nowcasting. For more information about TrajGRU, please refer to [HKO-7](https:\u002F\u002Fgithub.com\u002Fsxjscience\u002FHKO-7).\n\nIf you are interested in my implementation of ConvLSTM and TrajGRU, please see [ConvLSTM](https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fblob\u002Fmaster\u002Fnowcasting\u002Fmodels\u002FconvLSTM.py) and [TrajGRU](https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fblob\u002Fmaster\u002Fnowcasting\u002Fmodels\u002FtrajGRU.py). It is assumed that the input shape should be \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_bfb5c6116cb9.png\" title=\"S*B*C*H*W\" \u002F>. All of my implementation have been proved to be effective in HKO-7 Dataset. Hopefully it helps your research.\n\n### Train\nFirstly you should apply for HKO-7 Dataset from [HKO-7](https:\u002F\u002Fgithub.com\u002Fsxjscience\u002FHKO-7), and modify somelines in config.py to find the dataset path.\nSecondly and last, run `python3 experiments\u002FtrajGRU_balanced_mse_mae\u002Fmain.py`, and then run `python3 experiments\u002FtrajGRU_frame_weighted_mse\u002Fmain.py` since I have finetuned the model on the basis of model trained in last step.\n\n### Environment\nPython 3.6+, PyTorch 1.0 and Ubuntu or macOS.\n\n### Demo\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_9cff7a54f614.gif)\n\n### Performance\nThe performance on HKO-7 dataset is below.\n\n\u003Ctable>\n\t\u003Ctbody>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd colspan=\"5\" align=\"center\">CSI\u003C\u002Ftd>\n\t\t\t\u003Ctd colspan=\"5\" align=\"center\">HSS\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">Balanced MSE\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">Balanced MAE\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd  align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5b676dca9a70.png\" title=\"r \\geq 0.5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_d896bf23099d.png\" title=\"r \\geq 2\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_f3f8c1470f81.png\" title=\"r \\geq 5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5db1909633db.png\" title=\"r \\geq 10\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_190ab18d187f.png\" title=\"r \\geq 30\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5b676dca9a70.png\" title=\"r \\geq 0.5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_d896bf23099d.png\" title=\"r \\geq 2\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_f3f8c1470f81.png\" title=\"r \\geq 5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5db1909633db.png\" title=\"r \\geq 10\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_190ab18d187f.png\" title=\"r \\geq 30\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd align=\"center\">0.5496\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.4772\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.3774\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.2863\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.1794\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.6713\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.6150\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.5226\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.4253\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.2919\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">5860.97\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">15062.46\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### Download\n\n[Dropbox Pretrained Model](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fi5goltdq83dmkvc\u002FAABBe5wTuEQF5j3VSMszVQSaa?dl=0)\n\n### Citation\n\n```\n@inproceedings{xingjian2017deep,\n    title={Deep learning for precipitation nowcasting: a benchmark and a new model},\n    author={Shi, Xingjian and Gao, Zhihan and Lausen, Leonard and Wang, Hao and Yeung, Dit-Yan and Wong, Wai-kin and Woo, Wang-chun},\n    booktitle={Advances in Neural Information Processing Systems},\n    year={2017}\n}\n@inproceedings{xingjian2015convolutional,\n  title={Convolutional LSTM network: A machine learning approach for precipitation nowcasting},\n  author={Xingjian, SHI and Chen, Zhourong and Wang, Hao and Yeung, Dit-Yan and Wong, Wai-Kin and Woo, Wang-chun},\n  booktitle={Advances in neural information processing systems},\n  pages={802--810},\n  year={2015}\n}\n```\n\n","### 简介\n本仓库实现了一个基于 PyTorch 的编码器-预报器模型，使用了 RNN（包括 TrajGRU 和 ConvLSTM）来进行降水临近预报。有关 TrajGRU 的更多信息，请参阅 [HKO-7](https:\u002F\u002Fgithub.com\u002Fsxjscience\u002FHKO-7)。\n\n如果您对我的 ConvLSTM 和 TrajGRU 实现感兴趣，请查看 [ConvLSTM](https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fblob\u002Fmaster\u002Fnowcasting\u002Fmodels\u002FconvLSTM.py) 和 [TrajGRU](https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fblob\u002Fmaster\u002Fnowcasting\u002Fmodels\u002FtrajGRU.py)。假设输入的形状应为 \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_bfb5c6116cb9.png\" title=\"S*B*C*H*W\" \u002F>。我的所有实现都在 HKO-7 数据集中被证明是有效的。希望这对您的研究有所帮助。\n\n### 训练\n首先，您需要从 [HKO-7](https:\u002F\u002Fgithub.com\u002Fsxjscience\u002FHKO-7) 申请 HKO-7 数据集，并修改 `config.py` 中的相关行以指定数据集路径。\n其次，运行 `python3 experiments\u002FtrajGRU_balanced_mse_mae\u002Fmain.py`，然后运行 `python3 experiments\u002FtrajGRU_frame_weighted_mse\u002Fmain.py`，因为我是在上一步训练好的模型基础上进行了微调。\n\n### 环境\nPython 3.6+、PyTorch 1.0 以及 Ubuntu 或 macOS。\n\n### 演示\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_9cff7a54f614.gif)\n\n### 性能\n在 HKO-7 数据集上的性能如下所示。\n\n\u003Ctable>\n\t\u003Ctbody>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd colspan=\"5\" align=\"center\">CSI\u003C\u002Ftd>\n\t\t\t\u003Ctd colspan=\"5\" align=\"center\">HSS\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">平衡均方误差\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">平衡平均绝对误差\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd  align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5b676dca9a70.png\" title=\"r \\geq 0.5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_d896bf23099d.png\" title=\"r \\geq 2\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_f3f8c1470f81.png\" title=\"r \\geq 5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5db1909633db.png\" title=\"r \\geq 10\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_190ab18d187f.png\" title=\"r \\geq 30\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5b676dca9a70.png\" title=\"r \\geq 0.5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_d896bf23099d.png\" title=\"r \\geq 2\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_f3f8c1470f81.png\" title=\"r \\geq 5\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_5db1909633db.png\" title=\"r \\geq 10\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_readme_190ab18d187f.png\" title=\"r \\geq 30\" \u002F>\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n\t\t\t\u003Ctd align=\"center\">0.5496\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.4772\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.3774\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.2863\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.1794\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.6713\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.6150\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.5226\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.4253\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">0.2919\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">5860.97\u003C\u002Ftd>\n\t\t\t\u003Ctd align=\"center\">15062.46\u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n### 下载\n\n[Dropbox 预训练模型](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fi5goltdq83dmkvc\u002FAABBe5wTuEQF5j3VSMszVQSaa?dl=0)\n\n### 引用\n\n```\n@inproceedings{xingjian2017deep,\n    title={深度学习用于降水临近预报：基准与新模型},\n    author={Shi, Xingjian 和 Gao, Zhihan 和 Lausen, Leonard 和 Wang, Hao 和 Yeung, Dit-Yan 和 Wong, Wai-kin 和 Woo, Wang-chun},\n    booktitle={神经信息处理系统进展},\n    year={2017}\n}\n@inproceedings{xingjian2015convolutional,\n  title={卷积 LSTM 网络：一种用于降水临近预报的机器学习方法},\n  author={Xingjian, SHI 和 Chen, Zhourong 和 Wang, Hao 和 Yeung, Dit-Yan 和 Wong, Wai-Kin 和 Woo, Wang-chun},\n  booktitle={神经信息处理系统进展},\n  pages={802--810},\n  year={2015}\n}\n```","# Precipitation-Nowcasting 快速上手指南\n\n本指南帮助开发者快速部署基于 PyTorch 的降水临近预报模型（支持 TrajGRU 和 ConvLSTM），并在 HKO-7 数据集上进行训练。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Ubuntu 或 macOS\n*   **Python 版本**：3.6 及以上\n*   **深度学习框架**：PyTorch 1.0 及以上\n*   **数据集**：需提前申请 [HKO-7 数据集](https:\u002F\u002Fgithub.com\u002Fsxjscience\u002FHKO-7)\n\n> **提示**：国内用户安装 PyTorch 时，推荐使用清华或中科大镜像源以加速下载：\n> `pip install torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting.git\n    cd Precipitation-Nowcasting\n    ```\n\n2.  **安装依赖**\n    确保已安装 PyTorch，其他依赖通常包含在标准 Python 库中。如有 `requirements.txt`，可运行：\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n3.  **配置数据集路径**\n    下载并解压 HKO-7 数据集后，打开项目根目录下的 `config.py` 文件，修改相关行以指向您的数据集实际存储路径。\n\n## 基本使用\n\n本项目采用两阶段训练策略：先进行基础训练，再在此基础上进行微调。\n\n1.  **第一阶段：基础模型训练**\n    运行以下命令开始训练基础模型（使用 Balanced MSE\u002FMAE 损失）：\n    ```bash\n    python3 experiments\u002FtrajGRU_balanced_mse_mae\u002Fmain.py\n    ```\n\n2.  **第二阶段：模型微调**\n    在第一阶段生成的模型基础上，运行以下命令进行帧加权微调（Frame Weighted MSE）：\n    ```bash\n    python3 experiments\u002FtrajGRU_frame_weighted_mse\u002Fmain.py\n    ```\n\n3.  **使用预训练模型（可选）**\n    如果仅需推理或测试，可直接下载预训练模型：\n    *   下载地址：[Dropbox Pretrained Model](https:\u002F\u002Fwww.dropbox.com\u002Fsh\u002Fi5goltdq83dmkvc\u002FAABBe5wTuEQF5j3VSMszVQSaa?dl=0)\n    *   输入数据形状要求：$S \\times B \\times C \\times H \\times W$ （序列长度 × 批次大小 × 通道数 × 高度 × 宽度）","某市气象局短临预报团队正利用历史雷达回波数据，紧急开发一套未来 0-2 小时的暴雨预警系统，以应对汛期突发的城市内涝风险。\n\n### 没有 Precipitation-Nowcasting 时\n- **预测精度不足**：传统外推法难以捕捉降雨云团的非线性形变，导致对局地强降雨（如雨量≥10mm）的漏报率高，关键指标 CSI 仅为 0.28 左右。\n- **模型复现困难**：团队需从零编写复杂的 TrajGRU 或 ConvLSTM 算法代码，耗时数周且容易因细节错误导致训练不收敛。\n- **响应速度滞后**：由于缺乏预训练模型和成熟的调参策略，从数据准备到产出可用模型周期过长，无法赶上汛期实战部署。\n\n### 使用 Precipitation-Nowcasting 后\n- **显著提升准确率**：直接加载基于 HKO-7 数据集验证过的 TrajGRU 模型，将大雨及以上量级的 CSI 提升至 0.42 以上，有效捕捉极端天气特征。\n- **开箱即用高效**：依托其成熟的 PyTorch 编码器 - 预测器架构，团队仅需修改配置文件即可启动训练，将研发周期从数周缩短至几天。\n- **策略优化便捷**：利用其提供的两阶段训练脚本（先平衡 MSE\u002FMAE 再帧加权微调），快速获得鲁棒性更强的预报结果，大幅降低人工调优成本。\n\nPrecipitation-Nowcasting 通过提供经过验证的高性能深度学习基线，让气象团队能将精力从算法底层实现转向实际业务场景的优化与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHzzone_Precipitation-Nowcasting_5b642e3c.png","Hzzone","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHzzone_37a1169c.jpg","Everything is easy when someone tells you how.","Fudan University","Shanghai, China","zhizhonghwang@gmail.com",null,"https:\u002F\u002Fhzzone.github.io\u002F","https:\u002F\u002Fgithub.com\u002FHzzone",[86,90,94,98,102],{"name":87,"color":88,"percentage":89},"Python","#3572A5",76.1,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",23.4,{"name":95,"color":96,"percentage":97},"C","#555555",0.3,{"name":99,"color":100,"percentage":101},"CMake","#DA3434",0.2,{"name":103,"color":104,"percentage":105},"Shell","#89e051",0,593,172,"2026-03-31T12:21:31","Linux (Ubuntu), macOS","未说明（基于 PyTorch 的 RNN\u002FCNN 模型通常建议使用 NVIDIA GPU 加速，但 README 未明确指定型号、显存或 CUDA 版本）","未说明",{"notes":113,"python":114,"dependencies":115},"该项目主要用于降水临近预报，需先申请并下载 HKO-7 数据集。运行前需修改 config.py 配置数据集路径。训练过程分为两步：先运行基础模型训练脚本，再运行微调脚本。代码实现了 ConvLSTM 和 TrajGRU 模型，输入数据形状应为 S*B*C*H*W。","3.6+",[116],"torch>=1.0",[13],[119,120,121,122],"pytorch","trajgru","convlstm","precipitation-nowcasting","2026-03-27T02:49:30.150509","2026-04-06T08:44:23.572030",[126,131,136,141,146,151,156],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},13946,"为什么训练数据（train_data）是 5 张图，而标签（train_label）是 20 张图？ConvLSTM 如何实现输入 5 张预测 20 张？","这是序列到序列（Seq2Seq）的预测设置：使用过去的 5 张图像作为输入，预测未来的 20 张图像，因此标签长度为 20。模型通过编码器 - 预测器（Encoder-Forecaster）架构实现，编码器处理输入的 5 帧并提取状态，预测器基于该状态自回归地生成后续的 20 帧，而非一次性输出。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F16",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},13947,"运行代码时遇到张量尺寸不匹配错误（RuntimeError: The size of tensor a must match the size of tensor b），如何解决？","该错误通常由输入图像分辨率与模型配置不匹配引起。默认配置可能期望特定的输入尺寸（如 480x480）。请确保输入张量的最后两个维度（高和宽）符合模型要求。例如，将输入从 64x64 改为 480x480 可解决此问题：\n`encoder_forecaster1(torch.randn(10, 8, 1, 480, 480).to('cuda'))`","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F15",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},13948,"如何使用自己的数据集（如 11 通道的图像序列）进行训练和预测？","你需要实现自定义的数据加载器（DataLoader）。可以参考项目中现有的 HKO 数据加载器实现逻辑，修改其以适配你的数据格式和通道数。具体参考代码位置：`nowcasting\u002Fhko\u002Fdataloader.py` 第 183 行附近，根据该模板编写读取你特定数据格式的逻辑。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F5",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},13949,"如何加载预训练模型或使用自己的数据集进行训练和测试？","项目中的模型是作者自行训练的。若要使用自己的数据集，需要直接阅读并修改 `HKOIterator` 类来加载你的数据。目前没有直接的脚本一键切换数据集，需要用户根据代码逻辑自行调整数据输入部分。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F1",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},13950,"Demo.gif 演示图中的图片分别代表什么含义？","在演示图（demo.gif）中，左侧（或上方）的图片序列代表真实值（Ground Truth），即实际的降雨情况；右侧（或下方）的图片序列代表模型的预测结果（Predicted Sequences）。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F4",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},13951,"Decoder（Forecaster）的第一个 RNN 块的输入是什么？历史状态（history）和输入数据（x）该如何设置？","在 Encoder-Forecaster 结构中，Decoder 的第一个 RNN 块通常接收编码器输出的最终状态作为初始历史状态（history）。对于输入数据（x），在开始预测第一步时，通常可以使用零张量（zeros）或者编码器的最后输出作为引导输入，具体取决于实现细节，但核心是利用编码器传递的状态来初始化解码过程。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F6",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},13952,"为什么在 Moving MNIST 数据集实验中要将图像切分成小块（patch）？","虽然原始 Issue 未直接给出官方解释，但通常在 ConvLSTM 等模型中对 Moving MNIST 进行分块（如将 64x64 分为 16x16 的区域处理）主要是为了减少显存占用并模拟局部感受野，或者是为了复现原论文（Shi et al.）中的特定实验设置以适应 GPU 内存限制。","https:\u002F\u002Fgithub.com\u002FHzzone\u002FPrecipitation-Nowcasting\u002Fissues\u002F7",[]]