《Journal of Sea Research》：A Long-term forecasting model for sea surface temperature based on wavelet decomposition and adaptive fusion
编辑推荐：
肖晨|刘涛|宋明亮|马佐佐|刘志亮河北科技师范大学海洋科学研究中心，中国秦皇岛066004摘要海表温度（SST）是表征海洋与大气热量交换及海洋生态过程的关键物理变量。其时间序列通常表现出明显的非平稳性和多尺度耦合特征。现有方法在长期预测任务中难以同时平衡多尺度特征建模能力和计算效
肖晨|刘涛|宋明亮|马佐佐|刘志亮
河北科技师范大学海洋科学研究中心，中国秦皇岛066004
摘要
海表温度（SST）是表征海洋与大气热量交换及海洋生态过程的关键物理变量。其时间序列通常表现出明显的非平稳性和多尺度耦合特征。现有方法在长期预测任务中难以同时平衡多尺度特征建模能力和计算效率，这限制了它们在实际预测场景中的应用。为了解决这些问题，本研究提出了一个用于长期海表温度预测的多尺度建模框架，称为WFNet。该方法通过引入注意力机制来强化不同区域海表温度之间关系的建模，并采用多层次小波分解将原始时间序列分解为具有不同时间尺度特征的组成部分。在此基础上，采用多分支MLP架构独立地对每个尺度组分进行建模，并通过噪声抑制和自适应加权融合策略实现多尺度信息的有效整合，从而提高预测稳定性同时降低模型复杂性。为了验证所提模型的有效性，对中国黄海北部四个典型渔场的日平均海表温度数据集进行了30至360天不同提前期的预测实验。并与LSTM、DLinear、TCN、iTransformer和xPatch等主流模型进行了系统比较。实验结果表明，WFNet在RMSE和MAE方面表现更为优异，同时计算成本（GFLOPs）显著低于基于自注意力的模型。这表明WFNet在长期预测准确性和计算效率之间取得了良好的平衡，显示出其在海洋业务预报和海洋灾害预警支持系统中的潜在应用价值。
