基于遥相关与物理信息图注意力网络的泰国长期极端降雨预报

《Array》：Leveraging teleconnections with physics-informed graph attention networks for long-range extreme rainfall forecasting in Thailand

　　

准确的降雨预报，尤其是极端事件的预报，仍是气候学和地球系统科学中的重大挑战。本文提出一种新颖的物理信息图神经网络（Graph Neural Network, GNN），结合极值分析技术，以改进泰国测站降雨预测。该模型利用测站图结构表征来捕捉复杂时空模式。研究人员预处理了可能影响区域降雨的相关气候指数。所提出的带去趋势技术的图注意力网络（Graph Attention Network with detrending, GAT-detrend）使用源自简单地形降水物理的物理信息节点特征来应用注意力机制。非平稳时间序列经过去趋势处理后，与站点嵌入一起由GAT-detrend处理。为应对极端值，研究人员使用新颖的空间季节感知广义帕累托分布（Spatial Season-aware Generalized Pareto Distribution, Spatial Season-aware GPD）方法进行超阈值（Peaks-Over-Threshold, POT）映射，该方法克服了传统机器学习模型的局限。实验表明，在大多数台站簇（包括易出现极端的簇）中，该方法优于六个基线模型（四个深度学习和两个统计模型）。在实际应用中，该系统能以比分业务化SEAS5系统更高的分辨率生成预测图，支持长期水资源管理决策。这表明该方法对具有季风驱动变率的其他地区具有潜在价值。

气候变化正使极端天气更加频繁和严重，改进气候预测既重要又具挑战性。数值天气预报（Numerical Weather Prediction, NWP）和机器学习（Machine Learning, ML）在短期（数小时至15天）和次季节（2–6周）预测中取得显著进展，但ML模型受误差传播限制，多局限于短期预测且许多模型不预测降水。长期气候预测可提前数月产出结果，对水库水资源管理和农业规划至关重要，其可行性源于地球系统部分组分演化缓慢且可在更长时间尺度上预测。泰国水气候受季风支配，主雨季为西南季风期间（5月中旬至10月中旬），东北季风（10月至12月）则输送干冷空气；南部降雨模式还受热带辐合带（Intertropical Convergence Zone, ITCZ）、马登-朱利安振荡（Madden-Julian Oscillation, MJO）和北半球夏季季节内振荡（Boreal Summer Intraseasonal Oscillation, BSISO）影响。厄尔尼诺-南方涛动（El Ni?o–Southern Oscillation, ENSO）、太平洋年代际振荡（Pacific Decadal Oscillation, PDO）等遥相关显著影响区域降雨。欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts, ECMWF）的SEAS5是广泛使用的业务化季节预报系统，但动力学系统计算昂贵且需要大量专家知识，可能对地球系统施加较强机制假设。数据驱动ML方法虽受关注，但可解释性差、因果机制难以提取，且深度学习模型常因样本量小低估极端值或分布尾部。因此，将物理知识与可解释的图结构ML相结合成为改进泰国长期极端降雨预报的重要方向。

研究人员假设在图表征的GNN中嵌入物理信息作为附加节点特征优于纯数据驱动GNN，据此提出物理信息图注意力网络GAT-detrend。模型将泰国长期降雨预测问题转化为图结构模型，利用Smith线性模式（简单地形降水物理）的谱变换生成物理信息节点特征，通过注意力机制自动权衡气候特征及其空间遥相关的贡献，并采用去趋势技术处理非平稳时间序列。同时提出新的空间季节感知广义帕累托分布（Spatial Season-aware GPD），与GAT-detrend配对改善极端降雨预测。实验显示该方法在大多数台站簇上优于六个基线（四个深度学习模型和两个统计模型）。实际应用中，系统能以高于SEAS5的分辨率生成预测图，支持长期水资源管理决策，并可能推广到其他季风驱动变率地区。

主要技术方法：(1)以皮尔逊相关（|平均相关|>0.4）与格兰杰因果检验（p<0.1）构建遥相关静态图，用主成分分析（Principal Component Analysis, PCA）与层次聚类将泰国气象部门（Thai Meteorological Department, TMD）74个台站（1982–2026）分为12簇；(2)提出GAT-detrend模型，用Smith线性地形降水模型谱变换生成物理信息节点特征，结合层归一化去趋势、站点嵌入与多头注意力，以均方误差（Mean Squared Error, MSE）损失训练；(3)提出空间季节感知GPD，由领域专家确定季节，以最大似然估计（Maximum Likelihood Estimation, MLE）拟合参数，以90百分位（Q=90）为阈值做超阈值（Peaks-Over-Threshold, POT）映射。数据还包括HII台站（2014–2024）、ERA5风场与NOAA OISST的7个气候指数。

研究人员将地形降水谱变换与海拔关系可视化，发现降水与高海拔存在关联；以HII台站月降雨量输入层次聚类算法，得到反映泰国平均月降雨空间格局与地理特征的12个簇，例如Cluster 1和3面向泰国湾，Cluster 4位于印度洋沿岸，Cluster 2最接近ITCZ。以皮尔逊相关和格兰杰因果检验为各簇构建台站级图结构。对Cluster 1台站567201，东北季风观测阈值为308.34 mm/月，GAT-detrend预测阈值为270.31 mm/月；西南季风观测阈值为341.84 mm/月，预测为274.40 mm/月。Cluster 8台站387401的季风峰值期观测阈值为266.94 mm/月，预测仅为150.19 mm/月。结果表明GAT-detrend预测值系统性地低于观测极端降雨，分布尾部持续低估，在东北季风和季风峰值期最显著；空间季节感知GPD可在季风及季风爆发季节有效上调预测极值，但在旱季不适用。

以nSHD评估2014–2024年十个扩张时间子集构建的图与全期图的差异，多数簇的nSHD随记录长度增加向零收敛，表明图结构趋于稳定；但Cluster 2和3在中间子集出现平台期，其收敛仅为定义性结果而非结构稳定性证据。GAT-detrend带GPD映射取得最佳平均R²=0.72，优于LSTM（0.33）、Wavelet-LSTM（?0.02）、GC-LSTM（0.58）和EvolveGCN（0.44）；在11个簇中的7个取得最佳R²，并在另外2个簇与对比模型持平。GAT-detrend（Q=90）的平均精度最高（68.82±1.29%），显著优于LSTM（54.31%）、Wavelet-LSTM（51.86%）、GC-LSTM（54.58%）、EvolveGCN（46.98%）、PCR（59.22%）和气候态（57.94%）（p<0.001）。在极端降雨更频繁的南部Cluster 1–4，GAT-detrend相对LSTM提升47%；其平均时间异常相关系数（Anomaly Correlation Coefficient, ACC）最高（0.43），在8个簇中取得最高ACC并在2个簇持平，改善显著（p<0.05）。但CRPS优势并不均匀，Wilcoxon检验未见显著差异。训练效率方面，GAT-detrend每轮平均训练时间仅0.83秒，低于Wavelet-LSTM（3.12秒）、LSTM（2.73秒）、EvolveGCN（3.92秒）和GC-LSTM（15.89秒）。以2025年7–12月为测试数据，GAT-detrend（Q=90）以74个TMD台站为真值生成泰国雨季降水预测，通过反距离加权（Inverse Distance Weighting, IDW）插值生成高分辨率图并与SEAS5比较。由于输入输出不同，直接比较不完全公平，但六个月预报结果显示GAT-detrend可生成比SEAS5更高分辨率的预测图，表明其具备实际水资源管理应用价值。

讨论指出，GC-LSTM和EvolveGCN的切比雪夫多项式谱滤波器可能不适用于长期降雨预测；尾部校正仅当基础预测技能足够高（如R²）时才有明显改进；地形降水物理提升了平均预测性能，但在个别簇内不显著。结论为GAT-detrend在多数台站簇上优于既有基线，在极端事件上获得更高精度和ACC；与SEAS5比较中能生成高分辨率插值图，表明对社区级水资源管理有实用价值，并有望推广到其他季风或地形复杂地区，也可扩展至径流或天气预测领域。未来工作包括更直接地融入地形降水物理、利用互信息或动态图捕捉遥相关演变（如PDO的年代际位相转换）、探索DeepKriging等ML插值方法。