.png){kind=icon}
返回
Physics-Informed spatiotemporal deep learning for multivariate atmospheric forecasting
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131721.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着低空经济的快速发展，通用航空、无人机配送和城市空中交通等新兴应用对低空大气环境的精确感知和预测提出了更高要求。当前研究面临两大主要挑战：(1) 传统数值天气预报（NWP）方法对低空大气快速扰动的响应能力有限，难以满足低空飞行的精度要求；(2) 数据驱动的深度学习方法通常缺乏物理一致性约束，导致短期快速波动预测性能不佳，影响飞行安全。为解决这些挑战，本文提出了一种创新的低空气象变量短期预测框架，将物理知识与短序列建模相结合。首先，引入时序序列分支机制以精确建模低空大气场的多尺度动态变化，显著增强模型对快速扰动和慢变趋势的检测与预测能力，从而提升飞行安全保障。其次，设计自适应物理引导损失函数以融入守恒约束，有效提升预测的物理一致性，并缓解复杂低空环境中的不合理预测。实验结果表明，所提出的方法在多项指标上优于主流基线模型，同时模型在不同气候区域的泛化性能稳定，展现出良好的区域适应性。在验证变量（如相对湿度和风速）的分布一致性评估中，模型的KL散度分别低至0.004和0.008，表明其与实际分布的良好拟合能力。总体而言，本文方法在预测精度、物理一致性和时效性之间实现了良好平衡，为面向低空交通和环境感知的实时天气预报提供了有效解决方案。
Keyword:
low-altitude atmosphere
meteorological forecasting
physics-informed deep learning
spatiotemporal modeling
flight safety
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
On the development of the GRAPES――A new generation of the national operational NWP system in China
PREAI
分享收藏Advection-diffusion spatiotemporal recurrent network for regional wind speed prediction平流-扩散时空循环网络用于区域风速预测.png)
Pattern Recognition
Pattern RecognitionIF7.6
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Physics-informed generative neural network: an application to troposphere temperature prediction物理信息生成神经网络: 在对流层温度预测中的应用
OAAI
OAAI分享收藏Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting基于多头注意力的概率cnn-bilstm预测日前风速ENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容