近日，兰州大学大气科学学院张健恺教授团队在计算机科学及视频技术交叉领域国际知名期刊IEEE Transactions on Circuits and Systems for Video Technology 发表最新研究成果“GMG: A Video Prediction Method Based on Global Focus and Motion Guided”，兰州大学大气科学学院为第一完成单位，硕士研究生杜羽皓为第一作者，张健恺教授为该文通讯作者，该研究还得到中南林业科技大学、慕尼黑大学、曼彻斯特大学等合作单位的共同支持。
图1：GMG（Global focus and Motion Guided，全局聚焦与运动引导）模型的核心构架
随着人工智能（AI）气象预报快速发展，如何准确刻画大气系统的时空演变过程，已成为气象学与人工智能交叉研究的重要方向。不同于一般视频场景，气象过程同时具有大尺度遥相关、强非线性演变和非刚体形态变化等特征，云团、降水和环流系统在移动过程中往往伴随生成、发展、消散和形变，给现有依赖局部卷积或窗口注意力的时空预测模型带来挑战。针对这一问题，团队从“全局关联建模”和“运动形态刻画”两个层面实现突破：全局聚焦模块通过低复杂度方式引入气象场的关键背景信息，增强模型对远距离相关关系的感知能力；运动引导模块则通过建模局地增长、时间衰减和形态变化过程，提高模型对复杂天气系统演变的预测能力。该研究将气象预测问题转化为连续图像序列的视频预测问题，为AI模型理解和预测复杂大气过程提供了更加高效、通用的建模框架。
近年来，张健恺教授团队围绕AI气象预报、视频预测和大气动力过程建模等交叉方向持续积累，形成了从通用方法创新到具体气象场景应用的系列成果。以GMG为代表，团队聚焦气象时空预测中的共性难题，提出全局聚焦与运动引导的视频预测框架，提升模型对大尺度遥相关和天气尺度过程演变的刻画能力。在此基础上，团队进一步面向不同时间尺度的气象预报问题开展场景化模型设计：在平流层爆发性增温预测研究中，针对极涡位移、分裂等关键动力过程，设计GMRNN模型，实现对典型平流层爆发性增温事件提前20天的有效预测，相关成果发表于地球科学领域知名期刊《Geophysical Research Letters》；在降水短临预报研究中，针对降水系统快速移动、增强和消散等复杂演变特征，提出融合全局时空注意力与运动解耦机制的GMSA模型，在多套公开的降水数据集上展现出优异的泛化能力与预测精度，相关成果发表于《Applied Soft Computing》。上述系列研究成果得到了国家自然科学基金气象联合基金（编号：U2442211）等项目的资助。
论文链接：https://ieeexplore.ieee.org/document/11361248
学校主页
