面向降水时序预报的高效气象分词——Hyper-Aligned Group Learning
人工智能
2026-03-17 v1 机器学习
摘要
最近，基于Transformer的架构在气象预测方面取得了显著进展。然而，这些方法往往基于位置信息进行建模，而气象系统的核心原则是，天气现象涉及多个要素之间的协同互动，而位置信息仅是边界条件的一个组成部分。本文聚焦于降水时序预报任务，提出高效的气象分词方案（MeTok），该方案将空间序列重新组织以分组相似的气象特征。基于这种重新组织方式，实验中的重新对齐组学习能够提高跨降水模式（尤其是极端降水）的鲁棒性。具体而言，我们引入了Hyper-Aligned Grouping Transformer（HyAGTransformer），具有两个关键改进：1）分组注意力机制（Grouping Attention, GA）利用MeTok实现对不同降水模式特征的自对齐学习；2）邻域前馈网络（Neighborhood Feed-Forward Network, N-FFN）整合相邻组的特征，聚合上下文信息以提升patch嵌入的判别能力。在ERA5数据集上进行6小时预报实验表明，我们的方法在极端降水预测中将IoU指标提高了至少8.2%。此外，方法的性能随训练数据增多和参数增加而提升，显示出良好的可扩展性、稳定性和优于传统方法的优势。
引用
@article{arxiv.2603.13752,
title = {MeTok: An Efficient Meteorological Tokenization with Hyper-Aligned Group Learning for Precipitation Nowcasting},
author = {Qizhao Jin and Xianhuang Xu and Yong Cao and Shiming Xiang and Xinyu Xiao},
journal= {arXiv preprint arXiv:2603.13752},
year = {2026}
}