摘要
核辐射是原子衰变过程中释放的能量，对公众健康和环境构成持续风险，尤其是在福岛事故及近期处理水排放后引发的担忧更加明显。现代监测网络在数千个站点记录辐射水平和气象条件，为全国范围的预测提供了可能，以指导应急响应、农业建议和日常公共安全决策。然而，将这些监测数据转化为可靠的预测面临三大挑战：
- 非平稳时间序列：每个站点的数据序列高度非平稳，受放射性衰变、天气变化和不规则的人为干预影响。
- 空间分布不均：监测站点在空间上严重不均，约78%的站点集中在日本不到6%的地区，这打破了标准图模型的假设。
- 异质环境的共同演化：辐射与风、温度和湿度等异质环境因素共同演化，气象传输过程使得纯数据驱动的模型难以从观察中捕捉这些关系。
为了解决这些问题，我们提出了NRFormer+，一种用于全国核辐射预测的时空变换器。NRFormer+结合了非平稳时间注意力和密度自适应空间注意力，并引入了新的大气扩散模块，以估算气象如何驱动辐射扩散，并将这一物理信号作为架构先验注入网络。NRFormer+在所有13个基线数据集上实现了最先进的准确性，相较于最强基线在突然变化的MAE上减少了高达19.1%，且推断延迟相当。我们的代码和数据集已公开，链接：GitHub。
博主点评： NRFormer+的提出有效解决了核辐射预测中的复杂性问题，尤其是通过结合气象数据与深度学习架构，增强了模型的准确性和实用性。这种创新方法为应急响应和公共安全决策提供了有力支持，值得在更广泛的领域推广应用。