Hankelformer：极端温度事件预测精度再提升 | NSR

发布时间：2026-08-25来源：中国科学杂志社

准确预测极端温度事件对于气候适应和灾害防备至关重要，然而，由于此类现象具有突发性和非平稳性，传统时间序列模型往往难以捕捉其剧烈的动态变化。

近日，国科大杭州高等研究院/上海交通大学的陈洛南团队在《国家科学评论》（National Science Review, NSR）发表文章，提出名为Hankelformer的新型深度学习架构，通过将基于STI信息转换理论及Hankel矩阵的结构化数据增强与对比学习相结合，显著提升了极端温度事件的预测精度。

图1、Hankelformer框架示意图

Hankelformer的核心创新在于两点：

基于STI（Spatiotemporal Information Transformation）时空信息转换构建Hankel矩阵以提取局部时空动态模式，同时保持时间一致性，生成与原始序列在动力学上拓扑等价的增强视图；
采用对比学习框架，通过共享权重的Transformer编码器同时处理原始序列与增强序列，并最大化二者之间的表征一致性，从而显著提升特征的鲁棒性和对分布偏移的抗干扰能力（图1）。

研究团队在涵盖能源、交通和极端天气的九个基准数据集上对Hankelformer进行了系统评估。

在三个针对真实极端事件构建的数据集——2021年北美寒潮（TexasFreeze）、太平洋西北热穹（Heatwave）和南极高温事件（Antarctic Heat）上，Hankelformer均取得了最优的预测精度。

与现有最先进方法相比，Hankelformer在均方误差（MSE）上实现了最高达34%的降幅。在90维混沌Lorenz系统的验证中，即使在强噪声干扰下，Hankelformer的预测误差也远低于对比方法，展现出优异的噪声鲁棒性。此外，消融实验表明，Hankel矩阵增强与对比学习二者缺一不可：仅使用增强而不配合对比损失反而会导致性能下降，这证明了对比学习在对齐异构表征、稳定优化过程中的关键作用。

Hankelformer的成功为极端天气事件的可靠预测提供了一个有前景的工具，同时也表明，通过构建与原始序列拓扑等价的增强序列来进行时空表征学习，是应对现实世界中非平稳时间序列的有效途径。该框架不仅适用于气候监测，还可推广至能源系统管理、交通流预测等安全关键领域。

国科大杭州高等研究院的硕士研究生覃程洋和丁跃阳为该论文共同第一作者，陶鹏助理研究员和陈洛南研究员为共同通讯作者。国家自然科学基金、国家重点研发计划、浙江省科技计划等为此项研究提供了资助。

了解详情，请阅读原文 ▼

Forecasting Extreme Temperature Events by Hankel-Augmented Contrastive Learning

https://doi.org/10.1093/nsr/nwag456

扩展阅读

全球变暖正在重塑地表太阳辐射的分布：极地变暗、中纬度变亮 | NSR论文

重磅发布！全球45位专家联袂撰文：AI正在重塑地球科学的范式丨NSR

极端暴雨能否被“看清”？公里级模拟给出答案

转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。