Met$^2$Net：面向复杂气象系统的解耦两阶段时空预测模型
机器学习
2025-07-24 v1
摘要
全球气候变化导致极端天气事件日益频繁，这迫切需要准确的天气预报。近年来，得益于深度学习技术，端到端方法取得了巨大进展，但它们面临多变量集成中表示不一致的限制，并且难以有效捕捉复杂天气系统所需的变量间依赖性。将不同变量视为不同模态并应用多模态模型的两阶段训练方法可以部分缓解此问题，但由于两阶段训练任务不一致，结果往往次优。为应对这些挑战，我们提出了一种隐式两阶段训练方法，为每个变量配置独立的编码器和解码器。具体而言，在第一阶段，冻结翻译器，编码器和解码器学习共享的潜在空间；在第二阶段，冻结编码器和解码器，翻译器捕捉变量间交互以进行预测。此外，通过在潜在空间中引入用于多变量融合的自注意力机制，性能得到进一步提升。实验表明，我们的方法达到了最先进的性能。具体而言，它将近地表气温和相对湿度预测的MSE分别降低了28.82%和23.39%。源代码可在https://github.com/ShremG/Met2Net获取。
引用
@article{arxiv.2507.17189,
title = {Met$^2$Net: A Decoupled Two-Stage Spatio-Temporal Forecasting Model for Complex Meteorological Systems},
author = {Shaohan Li and Hao Yang and Min Chen and Xiaolin Qin},
journal= {arXiv preprint arXiv:2507.17189},
year = {2025}
}