基于傅里叶神经网络的极端风向风速事件预报研究

背景

极端风向风速事件是造成重大气象灾害的关键因素，传统数值天气预报方法在计算效率和极端事件捕捉能力方面存在明显不足。随着深度学习技术的快速发展，傅里叶神经网络凭借其卓越的频域特征提取能力，为气象预报领域带来了新的技术突破。本研究聚焦于极端风向风速事件的精准预报难题，致力于构建基于傅里叶神经网络的高分辨率预报系统。

方法

研究采用傅里叶神经网络作为核心框架，构建极端风向风速事件预报模型。首先利用傅里叶变换将气象数据进行频域转换，提取周期性特征和趋势分量；然后设计专用傅里叶特征增强模块，增强模型对极端值的感知能力；接着引入时空注意力机制，构建多尺度特征融合网络；最后通过端到端训练实现从历史数据到未来预报的精准映射。模型充分融合气象领域知识，提升对极端天气事件的捕捉能力。

应用

研究成果可直接应用于台风登陆路径预报、强对流天气预警、风电场功率预测等业务场景。在台风登陆预报中，模型能够提前24-72小时预测极端风速分布，为防灾减灾决策提供科学依据。在局地强对流天气预警中，可实现分钟级更新的短时临近预报。在新能源领域，为风电场运营提供高精度风速预测支持，提升电网调度效率。目前已在多个气象业务部门开展示范应用。