SFANet: Spatial-Frequency Attention Network for Weather Forecasting

天气预报在各个领域中起着至关重要的作用，推动着决策制定和风险管理。然而，传统方法往往难以捕捉气象系统的复杂动态，特别是在高分辨率数据存在的情况下。本文提出了一种新颖的深度学习框架——空间频率注意力网络（SFANet），旨在解决这些挑战并提高时空天气预报的准确性。从现有方法的局限性中汲取灵感，我们提出了一种创新的方法，无缝地集成了先进的令牌混合和注意力机制。通过利用池化和空间混合策略，SFANet优化了高维时空序列的处理，保留了组件间的关系信息，并建模了广泛的长距离关系。为了进一步增强特征集成，我们引入了一种新颖的空间频率注意力模块，使模型能够捕捉复杂的跨模态相关性。我们在两个不同的数据集——风暴事件成像（SEVIR）和气候应用研究所（ICAR）-厄尔尼诺南方涛动（ENSO）数据集上进行了广泛的实验评估，证明了SFANet的显着性能。值得注意的是，SFANet在降水模式预测和厄尔尼诺事件预测方面取得了显著的进展，展示了它在这些方面的熟练水平。

本文旨在解决传统天气预测方法在处理高分辨率数据时难以捕捉气象系统复杂动态的问题，提出了一种新的深度学习框架Spatial-Frequency Attention Network（SFANet），旨在提高时空天气预测的准确性。

SFANet框架通过高级令牌混合和注意机制，无缝地集成了池化和空间混合策略，优化了高维时空序列的处理，保留了组件间的关系信息并建模了广泛的长程关系。此外，引入了新颖的空间频率注意模块，进一步增强了特征集成能力。

本文在两个不同的数据集上进行了广泛的实验评估，分别是Storm EVent ImageRy（SEVIR）和Institute for Climate and Application Research（ICAR）- El Niño Southern Oscillation（ENSO）数据集。实验结果表明，SFANet在降水模式预测和El Niño事件预测方面取得了显著的性能优势，超过了现有方法。

近期在这个领域中，还有一些相关的研究，如《Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model》、《Deep Learning Based Spatiotemporal Prediction: A Survey》等。