摘要
全球站点天气预报（GSWF）在关键区域的局部及极端天气预测中至关重要。尽管已有研究尝试利用回溯窗口，现有方法在准确性提升方面效果有限，并且在极端事件和误差积累上面临挑战。这些局限性主要源于对短期模式的过度依赖，这不足以捕捉混沌天气动态，尤其在部分观测的情况下。
为了解决这一问题，我们提出了一种新颖的三轴状态空间模型（TSSM），结合了历史增强的时间变量历史范式，利用按周期对齐的历史天气数据来补偿超出时间回溯窗口的长期、大规模周期性和全窗口天气模式。具体而言，TSSM将历史样本按周期对齐批次堆叠，预测过程由历史和当前观测共同支持。时间、变量和历史扫描被设计用于捕捉轴向时间依赖性、变量相关性和历史演变。
这种结构以层次共享的方式建模季节性到极端事件，同时减轻历史模式之间的错位。TSSM在Weather-5K上实现了当前最佳的性能，准确性和极端事件指标分别提升了10%和61%，并在涉及人类的数据集上获得了95%的最佳或第二佳结果。其优势在长时间预测和迭代预测中更为明显，在240小时的预测中达到了37.5%的增益，并在48小时的5次迭代设置下高达103.5%。此外，TSSM在高达80%缺失观测情况下仍保持90%的性能。
博主点评： TSSM模型的引入为气象预报领域提供了一种全新的视角，尤其是在处理长时间跨度和极端气象事件时，通过历史数据的有效整合，显著提升了预报的准确性和稳定性。这一方法有望在未来的天气预报系统中得到广泛应用。