用于复杂地形天气预报的时空交叉注意力混合网络

《Scientific Reports》：Spatiotemporal cross-attention hybrid network for weather forecasting in complex terrain

　　

摘要

在复杂地形（如贵州的喀斯特地貌）中进行天气预报，面临着捕捉微观地形效应和宏观大气动力学的双重挑战。现有模型往往难以在局部时空模式与长期依赖性之间取得平衡。为了解决这一问题，我们提出了一种新颖的混合架构，该架构通过时空交叉注意力（STCA）机制将ConvLSTM和Transformer相结合。我们的方法采用STL-VMD预处理流程将非平稳气象信号分解为平稳子序列，有效分离出趋势成分和季节性成分。该架构将ConvLSTM的局部特征提取能力与Transformer的全局相关性建模能力相结合，而STCA模块通过多尺度卷积和自适应门控机制动态地连接空间和时间信息。在贵州33个气象站进行的51年（1961–2011年）验证表明，我们的模型表现优异。与基线LSTM模型相比，温度预报的均方根误差（RMSE）降低了18.99%（\(R^{2}=0.9642\)），尤其是降水预报的RMSE降低了27.74%，\(R^{2}\)提高了54.08%。这些结果证实了该模型在地形复杂地区的业务预报中的鲁棒性和泛化能力。