Met^2Net：一种用于复杂气象系统的解耦两阶段时空预测模型

全球气候变化导致极端天气事件频率增加，迫切需要准确的天气预测。近年来，得益于深度学习技术，端到端方法取得了巨大进展，但它们在多变量集成中面临表示不一致的局限性，并且难以有效捕获复杂天气系统所需的变量间依赖关系。将不同变量视为不同的模态，并采用多模态模型中的两阶段训练方法，可以部分缓解这个问题，但由于两阶段训练任务之间的不一致性，结果往往不尽理想。为了解决这些挑战，我们提出了一种隐式两阶段训练方法，为每个变量配置了独立的编码器和解码器。具体而言，在第一阶段，翻译器被冻结，编码器和解码器学习一个共享的潜在空间；在第二阶段，编码器和解码器被冻结，翻译器捕获变量间的相互作用以进行预测。此外，通过在潜在空间中引入自注意力机制进行多变量融合，性能得到了进一步提升。经验上，大量实验表明我们的方法达到了最先进的性能。具体而言，它将近地表气温和相对湿度的预测均方误差分别降低了28.82%和23.39%。源代码可在 https://github.com/ShremG/Met2Net 获取。