24小时气温预报把湿度、风速、气压的耦合提前：六城平均误差降6.2%，重庆高温降超9%
核心概要
近地面气温的24小时预报要同时抓住日循环、天气系统演变和小时级扰动，而常用分解式Transformer把跨变量交互放到后期或隐式处理。跨通道时间相关Transformer在嵌入阶段用1×1卷积交换气象变量信息，再以多尺度趋势注意力和门控注意力融合时间、趋势、原始三支特征。在澳门、广州、福州、成都、重庆、长沙六城数据上，其MSE较主流模型平均降低6.2%、MAE降低7.5%，重庆极端高温下MSE降幅超过9%。
深度剖析
24小时近地面气温预报多了一条把跨变量耦合前置的路径：模型在输入嵌入阶段就让温度、露点、气压、风速等通道交换信息，而不是等到网络后段再隐式关联。 此前的分解式与Transformer类预报模型通常把跨变量交互推迟到后期或隐式建模，趋势提取依赖固定尺度滑动平均或单核卷积，特征融合多用简单相加或拼接。 在覆盖沿海与内陆气候的六座中国城市气象数据上，该模型在全部12项MSE与MAE指标上优于主流基线；摘要报告平均MSE降低6.2%、MAE降低7.5%，结论部分则称对比13个主流基线，两处基线数目不一致。
模型把预报拆成时间、趋势、原始三条并行支路，再按气象条件动态决定各支路权重，使日循环细节与天气尺度演变分开学习。 单支路设计会丢失信息，固定尺度分解难以同时覆盖小时级波动与天气过程尺度的趋势。 消融实验中，去掉门控融合使长沙MSE从0.5464升至0.6381，去掉位置编码使其升至0.6258；仅保留趋势单支路时澳门MSE为0.3869，仍高于完整模型的0.3431。
趋势支路用一组可学习的多尺度卷积（核长3、5、7、9）配合跨变量注意力，替代固定尺度滑动平均来做趋势分解。 既有方法依赖固定尺度滑动平均或单核因果卷积，只能覆盖单一尺度的趋势成分。 在澳门、成都、福州，去掉多尺度趋势提取或趋势融合注意力的变体MSE增幅多在10%以内，但两者都稳定劣于完整模型。
启示与展望
结果覆盖澳门、广州、福州三座沿海城市与成都、重庆、长沙三座内陆城市，预报窗口固定为未来24小时，输入为48小时、14个气象变量的观测序列。数据取自NOAA国家环境信息中心的GHCN-Daily公开站点资料，按时间顺序划分为70%训练、10%验证、20%测试。模型约180万可训练参数，在单张RTX 4090上于澳门数据集完整训练约2小时。作者提出后续可引入物理信息神经网络约束、图神经网络做台站间空间建模，以及用卫星遥感与数值预报产品做多模态融合。
结论限于六座中国城市与24小时预报窗口，跨区域、跨季节的泛化未在更大站点集合上验证。作者指出极端峰值因突变性强仍难以预测，模型主要保持变化方向、避免过度平滑。消融中位置编码与门控融合的移除带来最大退化，说明性能对这两处设计较敏感。摘要称对比12个主流模型，结论部分称13个主流基线，这一数目差异在原文中未作说明。作者将物理一致性、空间联合建模、极端事件专用损失与多模态融合列为后续工作，尚未实现。