Улучшение многопараметрического прогнозирования погоды с помощью пространственно-временного взаимодействия признаков и моделирования с большими ядрами

Почему важны более точные локальные прогнозы погоды

Погода влияет почти на все сферы повседневной жизни — от сельского хозяйства и авиации до обеспечения электроснабжения и подготовки к штормам. При этом традиционные численные прогнозы дорогие в вычислениях и иногда не успевают уловить внезапные локальные изменения, особенно в сложном рельефе с горами, котловинами и равнинами. В этой работе исследуется, как современные методы искусственного интеллекта могут учиться на прошлых наблюдениях и выдавать более быстрые и точные прогнозы для конкретных районов, обучаясь распознавать, как температура, влажность и ветер влияют друг на друга во времени и пространстве.

Смотреть дальше одного параметра за раз

Многие современные системы на базе ИИ рассматривают задачу прогнозирования как предсказание одной карты за раз, например только температуры, и часто выполняют это шаг за шагом во времени. На самом деле атмосфера — это тесно связанная система: температура, точка росы (показатель влаги) и ветры меняются взаимосвязанно в масштабах сотен километров и в течение нескольких дней. Авторы сначала анализируют данные по южному Китаю, региону со сложным рельефом и разнообразным климатом, и показывают, что эти переменные сильно различаются в долинах, на плато и равнинах, но при этом демонстрируют синхронные колебания между отдалёнными областями. Это подтверждает, что полезные прогнозы должны учитывать как локальные различия, так и дальние связи, а также рассматривать несколько полей погоды как связанные между собой, а не как изолированные величины.

Объединение множества полей погоды в единую картину

Чтобы отразить эту реальность, исследователи разработали Multi-factor Fusion Network — тип нейронной сети, принимающей одновременно четыре переменные погоды: температуру, точку росы и два горизонтальных компонента ветра. Вместо простого объединения входов сеть создает отдельные ветви, каждая из которых специализируется на своей переменной, и ветвь слияния, которая их комбинирует. Механизм перекрёстного внимания (cross-attention) позволяет информации перемещаться в обе стороны: структуры в температуре могут указать, какие характеристики ветра важны, поля влажности помогают уточнить изменения температуры и т. п. Такое управляемое объединение помогает модели формировать более богатое внутреннее представление состояния атмосферы, где каждая переменная интерпретируется в контексте остальных, а не по отдельности.

Видеть погодные структуры рядом и далеко

Второй ключевой элемент решает задачу эволюции погодных структур в пространстве и времени. Многие существующие модели глубокого обучения используют маленькие фильтры, которые «видят» лишь небольшие окрестности и требуют многократной укладки, чтобы улавливать более крупные структуры, такие как фронты или организованные ветровые полосы. Авторы заменяют их конструкцией с «большим ядром» внутри рекуррентного блока под названием NLK-LSTM, который затем складывается в полноценную систему прогнозирования NLKRNN. Эти большие фильтры могут охватывать гораздо более широкие области за один шаг, сохраняя при этом мелкие детали, а рекуррентная архитектура поддерживает два типа внутренней памяти: одну, сосредоточенную на изменениях во времени, и другую — на распространении признаков через слои сети. В совокупности эти элементы позволяют модели отслеживать как медленные широкомасштабные смещения, так и более быстрые локальные изменения в атмосфере.

Тестирование модели в реальных региональных условиях

Команда обучает и оценивает систему на высокоразрешающем наборе данных, охватывающем несколько лет почасовых наблюдений по южному Китаю, использовав около пяти лет для обучения и более поздние годы для валидации и тестирования. Модели ставится задача сразу предсказать на 72 часа вперёд все четыре переменные. По сравнению с простыми базовыми подходами, такими как «завтра будет как сегодня» или долгосрочные средние, а также по сравнению с известными глубокими моделями для пространственно-временных прогнозов, новый подход последовательно снижает типичные ошибки предсказания. Он также лучше воспроизводит пространственную структуру полей температуры и влаги и даёт более согласованные прогнозы ветра при совместном учёте обоих компонентов. Детальные эксперименты показывают, что каждая часть разработки — сеть слияния, модуль с большими ядрами и член функции потерь, препятствующий редундантности разных потоков памяти — вносит вклад в достигнутые улучшения.

Что это значит для будущих локальных прогнозов

Проще говоря, работа показывает, что обучение ИИ одновременно учитывать взаимодействие нескольких погодных переменных и смотреть на соседние и удалённые области может заметно повысить точность региональных прогнозов. Хотя цель не в том, чтобы заменить глобальные метеоцентры, предлагаемая система представляет собой более лёгкий инструмент, который можно адаптировать под конкретные регионы и запускать с более скромными вычислительными ресурсами. Такие модели могут помочь в планировании при волнах жары, сильных осадках и операциях, чувствительных к ветру, на региональном уровне. В перспективе авторы предлагают расширить подход на данные более мелкой шкалы, увеличить горизонты прогнозов и адаптировать систему для практических реальных приложений в режиме реального времени, двигаясь к новому поколению быстрых, основанных на данных локальных рекомендаций по погоде.

Цитирование: Ye, Y., Fei, J. & Gao, F. Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling. Sci Rep 16, 13196 (2026). https://doi.org/10.1038/s41598-026-42553-5

Ключевые слова: региональное прогнозирование погоды, глубокое обучение, пространственно-временное моделирование, многопараметрические данные, нейронные сети с большими ядрами