通过时空特征交互与大核建模改进多变量天气预报

为什么更好的本地天气预报很重要

天气影响日常生活的几乎每个方面，从农业和航空，到供电与风暴应对。但传统的基于数值的天气预报既运行成本高，又可能错过突发的局地变化，尤其是在山地、盆地和平原交错的复杂地形中。本研究探讨了如何利用现代人工智能从历史天气中学习，为特定区域生成更快且更精准的预报，通过教会计算机理解温度、湿度和风在时间与空间上如何相互影响。

超越单一气象变量的视角

许多近期的基于 AI 的天气系统把预报当作逐次预测单张场图的问题，比如只预测温度，并常常一步步向未来递进。实际上，大气是一个紧密耦合的系统：温度、露点（湿度的一个度量）和风场会以跨越数百公里、历经数日的模式共同变化。作者首先分析了华南地区的数据——一个地形复杂、气候多样的区域，结果显示这些变量在山谷、高原和平原之间差异明显，但在远距离区域仍存在同步波动。这证明了有用的预报必须兼顾局地差异与长距离联系，并应把多个气象场视为相互关联的整体，而非孤立处理的片段。

将多种气象场融为一体

为了反映这一现实，研究者设计了多因子融合网络（Multi-factor Fusion Network），这是一种同时输入四种气象变量的神经网络：温度、露点和两个水平风分量。网络不是简单地将这些输入堆叠，而是为每个变量设立专门分支，并设有一个融合分支将它们合并。交叉注意力机制允许信息双向流动：温度模式可以突出哪些风场特征重要，湿度场可以加深对温度变化的理解，反之亦然。这种有引导的融合帮助模型形成更丰富的内部大气状态表征，使每个变量在其他变量的语境中被解释，而不是孤立地看待。

同时观测近处与远处的天气格局

第二个关键要素处理的是天气格局如何在时空中演变。许多现有深度学习模型使用小尺度的图像滤波器，这些滤波器只能看到很小的邻域，必须堆叠多层才能感知像锋面或有组织的风带等更大结构。作者在一个称为 NLK-LSTM 的递归单元中引入了“大核”设计，并将其堆叠成完整的预报系统 NLKRNN。这些大卷积核可在一步内覆盖更宽广的区域，同时仍保留细节；递归设计则维持两类内部记忆：一种聚焦于模式随时间的变化，另一种关注模式在网络层间的传播。合在一起，这些特性使模型既能追踪缓慢、宽域的变化，也能捕捉更快、局地的扰动。

在真实区域环境中的模型测试

团队在覆盖数年、小时分辨率的华南高分辨率数据集上训练并评估他们的系统，约用五年数据训练，较近年份用于验证和测试。他们要求模型一次性预测未来 72 小时的四个变量。与“明天像今天”或长期平均等简单基线，以及用于时空预测的知名深度学习模型相比，新方法在典型预报误差上持续降低。此外，它在捕捉温度和湿度场的空间结构方面表现更好，在同时考虑风的两个分量时也能生成更连贯的风场预报。详尽的实验表明，设计中的每一部分——融合网络、大核模块以及防止不同记忆流冗余的损失项——都为这些提升做出了贡献。

这对未来本地预报意味着什么

简而言之，这项工作表明，让 AI 模型考虑多种气象变量如何相互作用，并同时关注近处与远处区域，可以显著提高区域预报质量。该系统并非旨在取代全球气象中心，而是提供了一个更轻量、可针对特定地区定制且对计算资源要求更低的工具。这类模型可助力区域尺度的高温、强降雨和对风敏感作业的应对与规划。展望未来，作者建议将此方法扩展到更细尺度的数据、更长的预报范围以及更实用的实时应用，朝向新一代快速、数据驱动的本地天气指导发展。

引用: 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

关键词: 区域天气预报, 深度学习, 时空建模, 多变量数据, 大核神经网络