Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling

doi:10.1038/s41598-026-42553-5

Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling

2026-03-12

0

OA

AI

DOI：10.1038/s41598-026-42553-5

原文链接

查看原文

摘要

En 中文

精准且及时的天气预报对农业、航空和灾害响应等领域至关重要。尽管近期深度学习技术的进步已使数据驱动的预测模型成为可能，但大多数现有方法仍依赖单一变量的自回归预测，忽视了多个气象因素间的复杂相互依赖关系。为解决此局限性，我们提出了一种新颖的多变量耦合预测模型，能够捕捉非线性相互作用和时空动态。具体而言，我们在多因素融合网络中引入了一种分支交叉注意力融合策略，以增强特征整合。为更好地建模长程依赖关系并区分区域天气模式，我们设计了一种新型大核卷积模块，作为循环网络中传统卷积的替代方案。基于这些创新，我们开发了NLKRNN，一种基于NLK-LSTM单元的时空预测网络。在涵盖温度、露点和U/V风分量的自定义气象数据集上的实验表明，与代表性的时空预测基准相比，我们的方法在多变量天气预测中实现了持续的性能提升。

Keyword:

Weather forecasting

Multi-variable fusion

Large-kernel convolution

Spatiotemporal modeling

Recurrent neural network

Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling

摘要

AI总结

期刊

机构

引用论文