TSSM：用于全球站点天气预报的三轴状态空间模型，采用时间-变量-历史建模
全球站点天气预报（GSWF）对局部和极端天气预测至关重要。现有方法过度依赖短期模式，难以捕捉混沌天气动态，尤其在部分观测条件下。为此，本文提出三轴状态空间模型（TSSM），结合历史增强的时间-变量-历史范式，通过周期对齐的历史数据弥补时间回溯窗口之外的长程、大尺度周期和全窗口天气模式。TSSM将历史样本堆叠为周期对齐批次，利用时间和历史观测支持因果预测，并通过时间、变量和历史扫描捕获轴向上的时间依赖、变量相关性和历史演化。该结构层次共享，可建模从季节性到极端事件，并缓解历史模式间的错位。TSSM在最大站点天气数据集Weather-5K上达到SOTA，准确率和极端事件指标分别提升10%和61%，在人工参与数据集中取得95%最佳或次佳结果。在长周期和迭代预测中优势更显著，240小时预测提升37.5%，48小时×5迭代设置下提升高达103.5%。此外，在高达80%观测缺失的情况下，TSSM仍保持>90%性能，而基线低于43%，展示了在全球原位观测网络中可靠GSWF的鲁棒性和实用潜力。
全球站点天气预报（GSWF）是局部和极端天气预测的关键，但现有方法由于过度依赖短期模式而面临准确率提升有限、极端事件预测困难以及误差累积等问题。这些不足源于对混沌天气动态的捕捉不足，尤其在观测数据不完整的情况下。为应对这一挑战，研究团队提出了一种名为三轴状态空间模型（TSSM）的新方法，其核心是历史增强的时间-变量-历史范式。该范式通过整合周期对齐的历史天气数据，弥补了传统时间回溯窗口之外的长期、大尺度周期和全窗口天气模式，从而更全面地反映天气系统的演变规律。
在具体实现中，TSSM将历史样本按周期对齐堆叠成批次，使得预测既能基于当前观测，也能借助历史信息，形成因果支持。模型设计了三轴扫描机制：时间轴捕捉时间依赖关系，变量轴分析变量间的相关性，历史轴追踪历史演化过程。这种三轴结构通过层次共享机制，能够同时建模从季节性到极端事件的不同尺度，同时有效缓解历史模式间的对齐偏差。此外，TSSM通过周期对齐策略，使历史数据与当前预测窗口在时间相位上保持一致，进一步提升了预测的稳定性。
实验结果表明，TSSM在目前规模最大的站点天气数据集Weather-5K上达到了最先进的性能。在准确率方面提升10%，在极端事件预测指标上提升61%，这得益于其对长期周期和全窗口模式的建模能力。在人工参与的多个数据集中，95%的测试案例取得了最佳或次佳结果，验证了其泛化能力。在长周期预测方面，240小时预报增益达37.5%，显示了其在延长预报时效方面的优势。在迭代预测场景下，48小时×5次迭代的增益高达103.5%，表明TSSM能有效抑制误差累积。
鲁棒性测试显示，TSSM展现出极强的抗缺失能力。即使在80%观测数据缺失的情况下，其性能仍保持在90%以上，而基线方法已降至43%以下。这一特性使其特别适用于全球实际观测网络中数据不完整的场景，例如偏远地区或设备故障时的气象服务。TSSM的层级共享结构还降低了计算开销，使得模型在保持高精度的同时具备高效的推理能力。该工作为全球站点天气预报提供了一种可靠且实用的解决方案，有望在气象预警、农业规划等领域发挥重要作用。