WSSM：面向全球站点天气预报的地理增强层次状态空间模型
机器学习
2025-01-22 v1 人工智能
大气与海洋物理
摘要
全球站点天气预报（GSWF）是气象研究的重要领域，对提供及时且具有局部性的天气预测至关重要。尽管现有模型在提高GSWF整体准确性方面取得了进展，但执行高精度的极端事件预测仍是一个重大挑战。近期状态空间模型凭借其高效捕捉连续时间动力学和潜在状态的能力，为潜在解决方案提供了可能。然而，早期的研究表明，Mamba在GSWF背景下表现不佳，暗示需要进一步的适应和优化。为解决此问题，本文提出Weather State-space Model（WSSM），一种专为GSWF设计的基于Mamba的方法。将地理知识整合在内，除了广泛使用的位置编码外，还用于表示绝对空间-时间位置。从粗到细合成多尺度时频特征，以建模从季节性到极端天气的动力学。我们的方法有效提高了整体预测准确性，解决了对极端天气事件预测的挑战。在Weather-5K子集上取得的状态结果强调了WSSM的有效性。
引用
@article{arxiv.2501.11238,
title = {WSSM: Geographic-enhanced hierarchical state-space model for global station weather forecast},
author = {Songru Yang and Zili Liu and Zhenwei Shi and Zhengxia Zou},
journal= {arXiv preprint arXiv:2501.11238},
year = {2025}
}