摘要
准确的风速预测对于风风险评估、交通管理和应急响应至关重要。然而，现有的深度学习方法仍然面临多源气象数据融合不足、多步误差累积以及高风速阈值下性能衰减等问题。为解决这些问题，本文提出了STGAF-Net，一种多源时空门控自适应融合网络。该网络以雷达反射率和地面风速作为互补输入，采用协同局部-全局编码来捕捉局部细节和长距离空间依赖性，并通过分阶段门控自适应地整合多源特征。在时间维度上，非循环时空建模根据序列演变和时间间隔动态调整每个历史时间步的贡献，从而实现对未来风场的并行预测。该端到端框架有效增强了强风条件下的空间结构保持和长距离依赖建模能力。实验结果表明，在两个数据集上，STGAF-Net在七个基于学习的基线模型和一个非学习持续性预测中取得了最强的整体性能，特别是在高风速阈值和2小时预测范围内的后期时刻。
