从通信到环流：利用 5G GNSS 信号与深度学习的实时三维风场预测
机器学习
2025-10-21 v3 人工智能
摘要
精确的大气风场信息对天气预报、航空安全和减灾等各种应用至关重要。然而，由于传统原位观测和遥感技术的局限性，以及数值天气预报（NWP）模型的计算开销和偏差，获取高时空分辨率风数据仍然具有挑战性。本文介绍了 G-WindCast，一种新型深度学习框架，利用 5G 全球导航卫星系统（GNSS）信号的信号强度变化来预测三维（3D）大气风场。该框架利用前向神经网络（FNN）和 Transformer 网络来捕捉 GNSS 导出特征与风动力学之间复杂的非线性和时空关系。我们的初步结果展示了在实时风预测中令人鼓舞的准确性（提前时间长达 30 分钟）。该模型在不同预测时效和不同气压层上表现出鲁棒性，与地基雷达风廓线仪相比，其风场预测与欧洲中期天气预报中心（ECMWF）再分析 v5（ERA5）的同时预测相比显示出更优的一致性。此外，我们表明，即使 GNSS 站点数量显著减少（例如约 100 个），该系统仍能保持出色的局部预测性能，凸显了其成本效益和可扩展性。这种跨学科方法强调了利用非传统数据源和深度学习进行高级环境监测和实时大气应用的变革潜力。
引用
@article{arxiv.2509.16068,
title = {Communications to Circulations: Real-Time 3D Wind Field Prediction Using 5G GNSS Signals and Deep Learning},
author = {Yuchen Ye and Chaoxia Yuan and Mingyu Li and Aoqi Zhou and Hong Liang and Chunqing Shang and Kezuan Wang and Yifeng Zheng and Cong Chen},
journal= {arXiv preprint arXiv:2509.16068},
year = {2025}
}
备注
31 pages, 10 figures; Minor text revisions; Updated the questions, some images in the article, the abstract, and the main text content