Dual-Scale Temporal Fusion Reveals Structured Predictability in Subseasonal-to-Seasonal Temperature Prediction
作者: Elnaz Bashir, Jiali Wang, Lin Yan
分类: cs.LG
发布日期: 2026-05-07
备注: 10 pages, 5 figures
💡 一句话要点
提出双尺度时序融合框架，通过解耦气候背景与天气演变提升S2S温度预测精度
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 亚季节到季节预测 时空融合 气候建模 深度学习 空间异质性 拓扑感知
📋 核心要点
- 现有S2S预测模型过度依赖超前时间衰减视角，忽略了气候背景与天气演变在不同时空尺度上的复杂交互机制。
- 提出双尺度学习框架，解耦历史气候背景与近期天气演变，利用空间自适应融合机制动态调整两者的贡献权重。
- 实验表明该方法显著提升了30-90天窗口内的预测稳定性，尤其在复杂地形区域通过拓扑约束增强了空间相干性。
📝 摘要（中文）
亚季节到季节（S2S）温度预测（跨度数周至数月）对农业、能源规划及极端天气风险管理至关重要，但其可靠性在不同季节和地区存在显著差异。传统观点常将预测技能的局限归因于超前时间（lead time）的衰减，但这无法完全解释预测能力的空时分布模式。本文研究表明，S2S可预测性由相互作用的时间分量、空间异质性及大尺度模式相干性共同构成。我们开发了一种双尺度学习框架，将日历对齐的历史气候背景与超前时间匹配的近期天气演变相分离，并通过空间自适应融合实现30至90天窗口内的稳定预测。研究发现，这种时空尺度的动态平衡随季节和地理位置系统性变化，且这种结构化重组比简单的超前时间衰减更能决定预测技能。此外，拓扑感知结构约束进一步提升了预测场的空间相干性，特别是在复杂地形区域。
🔬 方法详解
问题定义：S2S温度预测面临的主要痛点是预测技能在不同季节和地理区域表现出极大的不稳定性。现有方法多将预测误差归因于超前时间的线性衰减，未能捕捉到气候背景（长期）与天气演变（短期）在时空维度上的非线性耦合关系。
核心思路：论文提出S2S可预测性本质上是结构化的多尺度现象。通过将输入数据解耦为“日历对齐的历史气候背景”和“超前时间匹配的近期天气演变”，并引入空间自适应融合机制，使模型能够根据地理位置和季节动态调整不同时间尺度的权重。
技术框架：框架包含两个并行分支：气候背景编码器和天气演变编码器。通过空间自适应融合模块（Spatially Adaptive Fusion）将两个分支的特征进行加权合并。最后，引入拓扑感知结构约束（Topology-aware structural constraints）对输出进行正则化，确保预测场在复杂地形下的空间一致性。
关键创新：最重要的创新在于将预测任务从单一的时间衰减建模转向“时空尺度重组”。通过学习到的融合权重，揭示了冬季高纬度地区更依赖年际气候背景，而夏季则呈现更均衡的尺度贡献，这种可解释性是现有黑盒模型所不具备的。
关键设计：模型采用了空间自适应权重图，允许每个网格点根据季节特征动态分配气候背景与天气演变的权重。拓扑感知约束通过引入地形信息作为先验，有效抑制了复杂地形区域的预测噪声，增强了大尺度气象模式的相干性。
🖼️ 关键图片
📊 实验亮点
研究证明了空间自适应融合机制在S2S预测中的有效性，特别是在冬季高纬度及复杂地形区域，其预测稳定性显著优于基准模型。通过引入拓扑感知约束，模型在保持大尺度气象模式相干性方面表现出色，将S2S预测的可靠性从简单的超前时间依赖提升为基于时空结构特征的动态建模，有效缓解了长周期预测中的误差累积问题。
🎯 应用场景
该研究成果可广泛应用于农业生产调度（如作物播种与灌溉规划）、能源需求预测（如电力负荷管理）以及极端天气引发的灾害风险评估。通过提供更具可解释性的长期温度预测，该方法能显著提升政府与企业在应对气候波动时的决策科学性与资源分配效率。
📄 摘要（原文）
Subseasonal-to-seasonal (S2S) temperature forecasts, spanning several weeks to a few months, are critically needed in agriculture practice, energy planning, and extreme-weather induced risk management, yet their reliability varies substantially across seasons and regions. Forecast skill is often attributed primarily to lead time, but this perspective does not fully explain the spatiotemporal patterns of predictability. Here we show that S2S predictability is organized across interacting temporal components, spatial heterogeneity, and large-scale pattern coherence, and that this structure can be explicitly characterized and exploited. We develop a dual-scale learning framework that separates calendar-aligned historical climate context from lead-time matched recent weather evolution, combining them through spatially adaptive fusion to enable stable temperature forecasts across the 30 to 90-day window. The learned fusion weights reveal that the balance between these two temporal scales shifts systematically with season and geography: during winter, interannual context dominates over high latitudes and complex terrain where forecast is the most difficult, while summer predictions reflect a more balanced temporal contribution across the domain. This spatially explicit reorganization of predictability, rather than simple lead-time decay, emerges as the primary determinant of forecast skill within the subseasonal window. Topology-aware structural constraints further improve spatial coherence of predicted temperature fields, stabilizing large-scale pattern organization particularly over complex terrain. These results reframe S2S predictability as a structured, multi-scale phenomenon, providing a more interpretable foundation for improving forecast systems and informing their use in practice.