季节感知混合模型预测南极海冰密集度
原文：Season-Aware Hybrid Convolutional-Transformer for Antarctic Sea Ice Concentration Forecasting
南极海冰密集度（SIC）预报是一项重要但具有挑战性的任务，因为需要同时应对复杂的空间结构、长程时间依赖和强烈的季节变化。传统的基于卷积的模型擅长捕捉局部空间模式，但在建模长期时间演化方面能力有限。为应对这些挑战，我们在一个混合卷积-Transformer 预报框架的基础上，构建了针对南极月度 SIC 的预报模型。该框架将用于空间特征提取的卷积编码与用于时空依赖建模的分解式自注意力相结合。我们进一步引入两种季节先验机制：一是月份感知的位置编码，将日历月份信息注入 token 表示；二是季节性时间偏置，鼓励注意力关注周期相关的历史状态。实验结果表明，所提出的框架在分类和回归指标上均优于卷积和循环神经网络基线。消融研究进一步表明，季节先验机制在短期和长期预测中均能带来一致的额外增益。这些结果证明了将卷积结构、注意力机制和周期性先验信息相结合对南极 SIC 预报的价值。作者：Danyang Li, John Taylor, Thang Bui, Quanling Deng 分类：cs.LG