使用函数时序分解和先进预测模型的高分辨率气温预报

更好温度预报为何与日常生活息息相关

空气温度影响我们周围的几乎一切：我们使用的电力、种植的农作物、以及人们在高温热浪或寒潮中的舒适与安全。随着天气变得更加多变，城市规划者、农民、医生和电网运营者都需要可靠的短期小时级温度预报。该研究提出了一种将密集的温度读数流转化为更平滑、更精确的日尺度预报的新方法，可能改善我们对高温、低温和能源需求的应对与规划。

从锯齿状数字到平滑的日曲线

大多数气象站每小时记录一次温度，产生长长的数字序列。传统的预测方法把每个数字单独处理，像串在一起的珠子。作者则将每天24小时的读数视为一条在当天上下起伏的平滑曲线。这种基于曲线的视角能够捕捉熟悉的昼夜节律——凉爽的夜晚与温暖的下午——以及跨月跨年的季节性波动。将温度表示为连续曲线而非孤立点，有助于更好地追踪潜在模式，而这些模式在表面噪声中常被掩盖。

把规律性与意外分离开来

为了解读这些曲线，研究首先将温度信号分成两部分。一部分捕捉可预测的结构：长期的变暖或降温趋势、年度季节性，以及工作日与周末等每周习惯。这个平滑的主干使用灵活的数学工具估计，能跟随数据而不过度反应短暂的波动。第二部分则捕捉剩余的、更随机的日常波动——那些仍然影响明日预报的天气意外。通过剥离出常规周期，模型可以把注意力集中在更精确地预测这些短期变化上。

让整天的曲线“相互对话”

该论文的核心模型称为函数自回归模型，它不是只用前一小时去预测下一小时，而是让整日曲线随时间相互影响。简单来说，昨天的整个温度曲线有助于塑造今天的曲线，今天的又影响明天的。该方法将每条平滑曲线压缩为一小组关键形状，然后学习这些形状如何日复一日地演变。这使模型能尊重温度信号的连续性，捕捉凉爽的早晨如何过渡到温暖的下午，以及类似天气模式如何在天际重复出现，同时仍允许自然变异。

击败传统与基于AI的对手

研究者在沙特阿拉伯塔布克市的七年逐小时温度数据上测试了他们的方法，使用前六年训练模型，最后一年用于模拟滚动的“日提前”预报检验。他们将基于曲线的方法与广泛使用的经典统计模型以及基于神经网络的流行人工智能方法进行了比较。无论按小时、按月还是按整年评估，函数模型都产生了最小的预报误差和最稳定的表现，尤其在清晨和深夜这些温度变化迅速的棘手时段表现更优。

这对公众与规划工作的意义

对非专业读者而言，结论很直接：把温度视为连贯的日常曲线而非分散的数字，我们就能更可靠地预测明天的冷暖。在本研究中，基于曲线的方法持续优于传统统计和更复杂的AI工具，这表明尊重温度的自然形状与节律是有回报的。尽管该工作聚焦于一座城市和一种模型，但它指向了一种可行路径以提升高分辨率预报的准确性。更好的逐小时预测能帮助能源供应方平衡供需、帮助农民保护作物免受突发霜冻或热应激、并让社区更有效地为与天气相关的风险做准备。

引用: Alshanbari, H.M., Aldhabani, M.S., Iqbal, N. et al. High resolution temperature forecasting using functional time series decomposition and advanced predictive models. Sci Rep 16, 8906 (2026). https://doi.org/10.1038/s41598-026-40796-w

关键词: 气温预报, 函数数据分析, 时间序列模型, 气候与能源规划, 神经网络比较