DK-STN: 一种嵌入领域知识的时空网络模型用于MJO预报
机器学习
2025-12-23 v1 人工智能
摘要
理解和预测马登-朱利安振荡(MJO)对于降水预报和防灾至关重要。迄今为止，长期准确的MJO预测对研究人员来说仍是一个挑战。使用数值天气预报(NWP)的传统MJO预测方法资源密集、耗时且高度不稳定（大多数NWP方法对季节敏感，冬季的MJO预报效果更好）。现有的人工神经网络(ANN)方法节省资源并加快预测速度，但其精度从未达到最先进的NWP方法（即ECMWF的业务预报）所预测的28天，因为神经网络无法有效处理气候数据。在本文中，我们提出了一种领域知识嵌入的时空网络(DK-STN)，这是一种用于准确高效MJO预报的稳定神经网络模型。它结合了NWP和ANN方法的优势，成功提高了ANN方法的预报精度，同时保持了高水平的效率和稳定性。我们从时空网络(STN)开始，通过两种关键方法将领域知识嵌入其中：(i) 应用领域知识增强方法，(ii) 将领域知识处理方法集成到网络训练中。我们使用ECMWF第五代再分析(ERA5)数据评估了DK-STN，并将其与ECMWF进行了比较。给定7天的气候数据作为输入，DK-STN可以在1-2秒内生成未来28天的可靠预报，不同季节的误差仅为2-3天。DK-STN显著优于ECMWF，其预报精度与ECMWF相当，而效率和稳定性显著更优。
引用
@article{arxiv.2512.19506,
title = {DK-STN: A Domain Knowledge Embedded Spatio-Temporal Network Model for MJO Forecast},
author = {Hongliang Li and Nong Zhang and Zhewen Xu and Xiang Li and Changzheng Liu and Chongbo Zhao and Jie Wu},
journal= {arXiv preprint arXiv:2512.19506},
year = {2025}
}
备注
18 pages, 10 figures