WindFormer:用于精确修正海面风场偏差的时空深度学习方法

《Atmospheric Research》:WindFormer: Spatio-temporal deep learning for refined sea surface wind field bias correction

【字体: 大 中 小 】 时间:2026年07月17日 来源:Atmospheric Research 4.5

编辑推荐:

  陈张|梁书琴|王建新|刘波|刘亚辉|宋涛|朱宇航•WindFormer实现了24–240小时风场预报的精准偏差校正。•门控时空注意力机制能有效捕捉长距离依赖关系。•带有软掩码的海岸校正模块可确保陆海过渡的平滑性。•对U/V分量的多任务学习有助于保持物理一致性。•在NIO数据集上,

  陈张|梁书琴|王建新|刘波|刘亚辉|宋涛|朱宇航•WindFormer实现了24–240小时风场预报的精准偏差校正。•门控时空注意力机制能有效捕捉长距离依赖关系。•带有软掩码的海岸校正模块可确保陆海过渡的平滑性。•对U/V分量的多任务学习有助于保持物理一致性。•在NIO数据集上,该模型使风速误差降低21%–25%,风向误差降低19%–26%。引言海面风场描述了海洋上的空气流动情况,是海洋气象学中的关键参数。在对于全球航运和能源运输至关重要的北印度洋地区,风场在驱动海洋动力学以及影响海上安全方面起着重要作用(Nadimpalli等人,2021年)。该地区独特的地理和季风特征还使其成为热带气旋形成的重要区域,而热带气旋则代表着极端的风况(Kabir等人,2022年)。值得注意的是,北印度洋地区产生的超级气旋(4–5级)占全球此类气旋的10%,而且有研究显示其强度呈上升趋势,给沿海居民和海上航线带来巨大风险(Deshpande等人,2021年)。因此,提高风场预报的准确性对于该地区的有效预警系统及灾害减灾工作至关重要。目前,数值天气预报模型——如美国国家环境预报中心开发的全球预报系统——是天气预报的核心工具(Zhou等人,2022年),被广泛用于气象预报以及灾害预防和减灾工作中(Rasp和Lerch,2018年)。这些模型基于物理方程构建,通过设定初始条件并运用数学方法来模拟大气及其他环境变量的变化。然而,由于计算资源的限制以及大气过程的复杂性,数值天气预报模型在预报中往往存在系统性偏差,尤其是在中长时效范围内(Brotzge等人,2023年)。此外,大气动力学的非线性特性以及物理参数化的不确定性会进一步加剧这些误差的积累(Xu等人,2021年;Laloyaux等人,2022年)。因此,即便是最先进的业务预报仍存在与实际情况的显著偏差。为提升预报的准确性和可靠性,有效的偏差校正及后处理技术显得极为重要。近几十年来,研究人员提出了多种用于校正数值天气预报模型输出偏差的后处理方法。其中,模型输出统计法(MOS)(Glahn和Lowry,1972年)以及完美预报法(PP)(Klein等人,1959年)是两种应用较为广泛的传统统计方法。MOS通过建立数值天气预报输出与观测数据之间的线性回归关系来校正预报偏差;而PP则通过统计筛选从众多变量中挑选出有预测意义的因素,进而构建线性回归方程进行校正。这些方法为提高预报精度奠定了基础,并已被应用于多种场景中。例如,将PP的结果作为MOS的预测因子可提升降水概率预报的准确性,而采用卡尔曼滤波则可实现回归系数的动态更新,从而弥补传统MOS中参数固定的缺陷。不过,传统统计模型通常受线性假设的约束,缺乏处理非线性问题的能力,难以适应复杂且多变的非线性风场数据(Duan等人,2021年)。此外,传统方法主要针对单个气象站的预报数据,其在保障空间一致性以及区域集合预报方面的应用还有很大发展空间(Vannitsem等人,2021年)。近年来,深度学习技术在气象科学领域展现出巨大潜力,尤其在数值天气预报的后处理方面(例如Rasp和Lerch,2018年;Boukabara等人,2019年;Chen等人,2019年)。这些方法能够自动提取特征,并有效捕捉数据中的复杂非线性关系,因而成为提升风场预报精度的重要工具。早期的深度学习研究主要依靠多层感知器(MLPs)和一维卷积神经网络(CNNs)对站点级数据进行后处理,这虽显著提升了点预报的精度,但难以保证整体的空间一致性(Rasp和Lerch,2018年)。随着研究重点转向区域网格校正,基于二维CNN的模型被广泛用于直接从网格化数值天气预报输出中学习空间误差分布,从而有效减少区域性和拓扑性偏差(Gr?nquist等人,2021年)。为解决时间维度问题以及预报误差随时间逐步累积的问题,人们引入了ConvLSTM等循环架构,用以捕捉气象序列的动态时空演化规律(Shi等人,2015年)。此外,生成对抗网络也被用来恢复高频细节,生成具有物理真实性的高分辨率风场(Stengel等人,2020年)。在这些基础架构的基础上,人们又开发出了多种先进的神经网络,专门用于处理复杂的时空网格化气象数据。例如,U-Net架构率先通过将风场数据转换为标量表示形式,用于基于网格的预报输出(Han等人,2021年)。MT-DETrajGRU则采用了双编码器结构,并借助多任务学习同时校正风速和风向(Zhang等人,2023年)。与此同时,MU-Diffusion则将多尺度U-Net与扩散模型相结合,通过条件生成和误差传播机制提升风场偏差校正的稳定性和准确性(Pang等人,2025年)。总体而言,这些方法推动了风场误差校正技术从传统的线性统计模型向非线性及高维模型的发展。然而,现有的基于深度学习的风场偏差校正模型在有效整合地理先验知识方面仍存在不足,尤其是在精确模拟连续的陆海过渡效应方面。传统的注意力机制或空间约束方法缺乏明确的地理意识,难以实现精细且差异化的建模,难以在关注海洋区域与抑制陆地噪声之间找到平衡。这一局限制约了这些模型在沿海等关键区域实现空间连续且高度符合物理规律的校正效果(Yang等人,2022年;Zhang等人,2023年)。为应对这些挑战,本研究通过提升模型对关键气象区域长距离时空演化的建模能力来解决这一问题(Tang等人,2024年),从而开发出了WindFormer这一新型多任务深度学习模型。具体而言,为解决时空集成问题,我们设计了一种门控时空注意力机制,该机制借鉴了在长序列预报方面表现优异的架构设计。该机制能够自适应地在时间和空间维度分配计算资源,有效捕捉风场系统中的复杂长距离依赖关系,进而减少长时间预报过程中的误差积累。为满足空间校正中的物理精度要求,该模型还整合了一个下游的海岸校正模块(CCM),该模块创新性地引入了基于陆海比例的分形软掩码机制。通过利用连续的物理缩放因子,将该机制可将细致的地理先验信息转化为动态的特征权重,从而更准确地模拟沿海过渡区的风场动态,进而确保校正结果的空间平滑性。此外,为实现协同校正,我们构建了一个具有联合损失函数的多任务协同学习框架,使得风速和风向校正任务能够在学习各自特征模式的同时共享特征表示,从而实现信息互补与共同优化,避免单独建模可能带来的不一致性。需要指出的是,虽然Transformer架构——有时也被称为“Windformer”(He等人,2024年;Qiu等人,2024年)——已被应用于各种与风相关的任务中,但大多数现有模型仅作为通用序列预测工具,用于站点级或时间序列预报。而我们提出的WindFormer则是专为满足2D网格化海面风场偏差校正的高精度需求而设计的。通过整合海岸校正模块(CCM)以及基于物理原理的软掩码机制,该模型能够应对诸如海岸线地形效应以及宏观环流结构的保留等普通Transformer基模型难以处理的特殊气象问题。本工作的主要贡献如下:•我们提出了WindFormer模型,该模型可在GFS 24–240小时的预报范围内实现不同时效段的精细校正,它通过门控注意力机制有效模拟了长时效预报的非线性演化过程。•我们设计了基于分数式陆海掩码的海岸校正模块(CCM)优化方案,该方法通过引入连续的地理权重,提升了沿海地区以及地表特征复杂的区域的校正精度,同时通过避免特征值的突变来确保空间连续性。•我们开发了一种多任务学习框架,使得风速和风向偏差的校正能够在同一架构下协同进行。本文的其余部分结构如下:第2节介绍研究区域和实验数据,并阐述风场偏差校正模型的框架结构;第3节描述模型结构和损失函数;第4节分析实验结果;最后第5节给出结论。研究区域研究区域位于北纬0–24度、东经50–74度之间(见图1a–c)。图1d–e展示了2022年该区域ERA5海洋和陆地风场数值的统计分析结果。由于建筑物和地形因素造成的摩擦作用,陆地风速相对较低,且陆地风向的稳定性明显低于海洋风向;因此,我们在分析中排除了陆地区域。方法本节介绍了我们所提出的用于风场偏差校正的WindFormer框架的技术细节。WindFormer的整体架构如图3所示。3.1节概述了整个模型架构及其核心组成部分。3.2节介绍了用于捕捉风场中复杂时空依赖关系的门控Transformer模块。3.3节则描述了通过物理约束机制实现的海岸校正模块(CCM)。性能评估标准为直观评估模型性能,我们采用了两种评估指标。风速均方根误差(RMSEspeed)用于衡量模型在风速校正方面的效果,其计算公式如下:RMSEspeed=1L∑t=1N∑i=1H∑j=1Wy?t,i,j?yt,i,j2,其中L=N×H×W,N=B×Tout,B为批量大小,Tout为输出序列长度(此处Tout=1);H和W分别为研究区域的高度和宽度;y?t,i,j为模型输出值,yt,i,j为实际观测值。结论与讨论为解决风场预报中普遍存在的系统性偏差问题,本研究提出了基于时空Transformer架构的智能校正模型WindFormer。该模型通过整合门控时空注意力机制和分数式陆海软掩码机制,实现了对网格化风场预报数据的高效精准偏差校正。在北印度洋数据集上的实验结果表明了该模型的有效性。CRediT作者贡献说明陈张:监督指导、方法设计、概念构思。梁书琴:初稿撰写、验证、软件使用、数据整理。王建新:结果可视化、数据分析。刘波:验证、正式分析。刘亚辉:结果可视化、数据整理。宋涛:监督指导、资源协调、资金申请。朱宇航:文章审阅与编辑、项目管理。关于稿件准备过程中生成式AI及AI辅助技术的声明在撰写本稿时,作者使用了ChatGPT来提升文本的可读性和语言表达水平。在使用该工具/服务后,作者对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。资金支持本项工作得到了中国国家自然科学基金[项目编号62272479、62372469、62202498、62402527]、山东省泰山学者基金[项目编号tstp20240506、tsqn201812029、ZX20250659]以及中国国家自然科学基金与山东省联合基金[项目编号ZR2023QF153]的支持。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号