使用基于 Kolmogorov-Arnold 网络的模型与深度 RNN 进行局部天气预报

天气预报对于风险管理和经济规划至关重要，特别是在极端事件严重影响生计的热带非洲地区。然而，现有的预报方法往往难以应对该地区复杂、非线性的天气模式。本研究对深度循环神经网络（如 $\texttt{LSTM, GRU, BiLSTM, BiGRU}$）和基于 Kolmogorov-Arnold 的模型（$\texttt{KAN}$ 和 $\texttt{TKAN}$）在两个热带城市：阿比让（科特迪瓦）和基加利（卢旺达）的温度、降水和气压的日预报中进行了基准测试。我们进一步引入了 $\texttt{TKAN}$ 的两个定制变体，分别用 $\texttt{GeLU}$ 和 $\texttt{MiSH}$ 替换了其原始的 $\texttt{SiLU}$ 激活函数。使用 2010 年至 2024 年的站点级气象数据，我们在标准回归指标上评估了所有模型。$\texttt{KAN}$ 实现了温度预测（阿比让 $R^2=0.9986$，基加利 $0.9998$，$\texttt{MSE} < 0.0014~^\circ C ^2$），而 $\texttt{TKAN}$ 变体在低降水情况下降水预报的绝对误差最小化。定制的 $\texttt{TKAN}$ 模型在两个数据集上均表现出优于标准 $\texttt{TKAN}$ 的性能。经典 $\texttt{RNN}$ 在大气压力预测方面保持高度竞争力（$R^2 \approx 0.83{-}0.86$），在此任务上优于基于 $\texttt{KAN}$ 的模型。这些结果突显了基于样条的神经架构在高效且数据高效的预报中的潜力。