基于物理信息图注意力网络的泰国长期极端降雨预测

准确预测降雨，尤其是极端降雨事件，是气候学和地球系统科学中的重要挑战。本文提出了 novel（新颖的）基于物理信息的图神经网络（GNN）结合极值分析（extreme-value analysis）技术，以提高泰国地区雨量站降雨预测准确性。该模型利用图结构表示雨量站之间的复杂时空模式，并通过 teleconnections（远程关联）提供可解释性。我们预处理可能影响区域降雨的相关气候指数（climate indices）。提议的图注意力循环记忆网络（Graph Attention Network with Long Short-Term Memory, Attention-LSTM）应用注意力机制，初始边缘特征源自简单或ogeny-precipitation 物理公式推导。随后，嵌入（embeddings）由 LSTM 层处理。为处理极端情况，我们采用峰值超过阈值（Peak-Over-Threshold, POT）映射技术，引入新颖的空间季节感知广义帕累托分布（Spatial Season-aware Generalized Pareto Distribution, GPD）方法，克服了传统机器学习模型的局限性。实验表明，我们的方法在大多数地区均优于众多既定基线，包括易发极端事件的地区，与最先进方法仍保持强大的竞争力。与操作性预测系统 SEAS5 相比，我们的实际应用在提高极端事件预测方面取得显著进展，并为支持长期水资源管理决策提供高分辨率地图。