153 / 2026-02-14 12:22:25

通过门控位置编码与空间感知前馈网络来增强数据驱动天气预报

neighborhood attention,position bias,weather forecast,feed-forward network

主题1 天气、气候、全球变化、行星大气 > 专题1.4 高影响天气气候事件可预报性及AI算法的应用

数据驱动的天气预报模型因其能以极低计算成本生成高精度全球预测而备受关注。尽管基于Transformer的架构已超越传统数值天气预报的精度，但现有位置编码对大气运动中的时间变异性、方向性和位置依赖性的捕捉仍有不足。为此，研究者提出了基于邻域注意力的新模型，并设计了两项核心创新：一是门控相对位置编码（GRPE），通过维护基于绝对坐标的相对位置偏置，在几乎不增加模型参数的前提下，有效捕捉大气的位置依赖性、方向性与时间变化；二是空间感知前馈网络（SAFN），通过并行输入与门控分支及全局位置偏置，显式模拟大气变量间的非局部交互并融合地形影响。在WeatherBench 2数据集（1.5°分辨率）上的评估表明，AtmoNAT在72小时预报时效内关键变量的预测误差优于其他模型的粗分辨率集合预报，并在全球陆地区域达到最先进预报水平。