面向全球次季节到季节预报的物理信息遥感知Transformer
机器学习
2025-08-12 v3 人工智能
机器学习
摘要
次季节到季节（S2S）预报，即预测数周至数月后的气候状况，是农业规划、能源管理和灾害防备的关键前沿。然而，由于大气系统的混沌动力学和跨多个尺度的复杂交互，它仍然是大气科学中最具挑战性的问题之一。当前方法往往未能显式建模S2S时间尺度上至关重要的底层物理过程和遥相关。我们引入TelePiT，一种新型深度学习架构，通过集成多尺度物理和遥相关感知来增强全球S2S预报。我们的方法包含三个关键组件：（1）球谐嵌入，将全球大气变量精确编码到球面几何上；（2）多尺度物理信息神经常微分方程，在多个可学习频带中显式捕捉大气物理过程；（3）遥感知Transformer，通过将遥相关模式显式建模到自注意力中，建模关键全球气候交互。大量实验表明，TelePiT在所有预报时效上显著优于最先进的数据驱动基线和业务数值天气预报系统，标志着向可靠S2S预报迈出的重要一步。
引用
@article{arxiv.2506.08049,
title = {Physics-Informed Teleconnection-Aware Transformer for Global Subseasonal-to-Seasonal Forecasting},
author = {Tengfei Lyu and Weijia Zhang and Hao Liu},
journal= {arXiv preprint arXiv:2506.08049},
year = {2025}
}