Learning Continuous Regional Temperature Fields with Lead-Time and Resolution Queries

📄 arXiv: 2608.25823v1 📥 PDF

作者: Chunlei Shi, Jiong Wang, Yi-Lin Wei, Junming Hou, Jinjin Liu, Yecheng Zhang, Dan Niu

分类: cs.LG, cs.MM

发布日期: 2026-08-26

备注: 16 pages, 15 figures

💡 一句话要点

提出连续时空温度预报模型以解决固定输出限制问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 温度预报 深度学习 时空模型 气象数据 灵活查询 ERA5 气候监测

📋 核心要点

  1. 现有的深度学习区域温度预报模型通常生成固定的未来帧，限制了其在不同查询条件下的灵活性。
  2. 本文提出的CSTF模型通过将预报提前时间和输出分辨率作为查询，解决了固定输出的问题，实现了灵活的温度场评估。
  3. 在东南中国的ERA5-Land基准测试中，CSTF模型表现出最佳的确定性技能，偏差减少了17.0%。

📝 摘要（中文）

准确的区域近地面温度预报对短期天气服务和风险评估至关重要。现有基于深度学习的区域预报模型通常在规定的网格上生成固定的未来帧，这限制了其在需要根据查询条件评估的预报产品中的应用。为了解决这一固定输出的限制，本文将区域T2M预报形式化为查询条件的连续时空温度场评估，并提出了连续时空温度预报器（CSTF），该神经场在评估2米温度时将预报提前时间和输出分辨率转化为显式查询。CSTF首先将多变量ERA5历史数据编码为潜在气象状态，然后将T2M解码为基于坐标的场。通过引入空间位置、预报提前时间和输出分辨率作为查询，CSTF在统一的场评估框架内实现了标准小时预报、中间提前时间诊断和可控分辨率输出。

🔬 方法详解

问题定义：现有的深度学习区域温度预报模型生成固定的未来帧，无法满足不同查询条件下的需求，导致灵活性不足。

核心思路：本文提出的CSTF模型通过将预报提前时间和输出分辨率转化为查询，允许在统一框架内进行灵活的温度场评估。

技术框架：CSTF的整体架构包括三个主要模块：首先编码多变量ERA5历史数据为潜在气象状态；其次将T2M解码为基于坐标的场；最后引入空间位置、预报提前时间和输出分辨率作为查询进行评估。

关键创新：CSTF的主要创新在于将查询条件引入到温度场评估中，使得模型能够在不同的时间和分辨率下进行灵活的输出，这与现有方法的固定输出模式形成鲜明对比。

关键设计：模型设计中采用了空间梯度、时间差异和尺度一致性目标作为正则化项，以保持区域热结构的一致性、预报的时间演变以及跨分辨率的一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在东南中国的ERA5-Land基准测试中，CSTF模型实现了最佳的确定性技能，偏差减少了17.0%。实验结果显示，该模型在灵活的预报提前时间和分辨率控制方面表现优异，显著提升了预报的准确性。

🎯 应用场景

该研究的潜在应用领域包括短期天气预报、气候监测和环境风险评估等。通过提供灵活的温度预报，CSTF模型能够为决策者和气象服务提供更精准的信息，提升应对气候变化和极端天气事件的能力。

📄 摘要（原文）

Accurate regional near-surface temperature forecasting is fundamental to short-range weather services and downstream risk assessment. Existing deep learning-based regional forecasters commonly produce a fixed set of future frames on a prescribed grid, limiting their use when forecast products must be evaluated at query-dependent lead times or display resolutions. To overcome these fixed-output constraints, we formulate regional T2M forecasting as query-conditioned continuous spatiotemporal temperature field evaluation and propose the Continuous Spatiotemporal Temperature Forecaster (CSTF), a neural field that turns forecast lead time and output resolution into explicit queries when evaluating 2-m temperature (T2M). Specifically, CSTF first encodes multivariable ERA5 histories into latent meteorological states and then decodes T2M as a coordinate-based field. Accordingly, spatial location, forecast lead time, and output resolution are introduced as queries, enabling standard hourly forecasts, intermediate lead-time diagnostics, and resolution-controllable outputs within a unified field-evaluation framework. Furthermore, to maintain coherence across flexible field queries, we design spatial-gradient, temporal-difference, and scale-consistency objectives that regularize regional thermal structures, lead-wise evolution, and cross-resolution agreement. Experiments on the Southeast China 0-6 h ERA5-Land benchmark demonstrate that CSTF achieves the best aggregate deterministic skill, including a 17.0 percent reduction in Bias, with global-scope diagnostics further illustrating flexible lead-time and resolution-controllable inference.