在气候监测和灾害预警中，准确的海洋预测至关重要。然而，海洋时空预测面临建模复杂动态系统与确保计算效率的双重挑战。为此，我们提出了Koopman Fourier Time-Differentiable (KFTD) 网络，这是一种时间连续的两阶段范式，旨在将插值与预测解耦，以实现高效且可扩展的时空建模。
KFTD网络将复杂的非线性动态映射到Koopman线性空间，并利用傅里叶分析实现任意子步的连续时间插值。一个轻量级的残差网络消耗高保真度的中间状态，以生成最终预测。与扩散模型不同，KFTD消除了多步噪声采样，直接在连续时间中演化系统，带来了4倍的计算速度提升。
我们进一步引入了一种DPP Loss，支持以端到端的方式处理任意偏微分方程约束，打破了纯数据驱动方法的物理一致性瓶颈。对四个海洋数据集的实证结果表明，我们的连续时间框架平均减少了5.6%的均方误差（SST最高可达12.7%），并在效率上比MCVD提高了76.25%。
博主点评： KFTD网络的提出为海洋时空预测领域带来了新的视角，通过引入Koopman线性空间与傅里叶分析的结合，不仅提高了预测的准确性，还大幅提升了计算效率。此方法在应对复杂动态系统时显示出极大的潜力，值得在更广泛的应用中探索。