Neues FAConvLSTM-Modell steigert Effizienz und Genauigkeit bei Klimadatenanalyse

Die Analyse hochauflösender, multivariater Erdbeobachtungsdaten erfordert die Erfassung komplexer, physikalisch bedeutungsvoller räumlich‑zeitlicher Muster. Dabei stellen starke lokale Dynamiken, weitreichende Telekonnektionen, Interaktionen über mehrere Skalen hinweg und Nichtstationarität große Herausforderungen dar.

Der weit verbreitete ConvLSTM2D-Ansatz ist zwar ein solides Basismodell, jedoch mit hoher Rechenlast verbunden und beschränkt durch ausschließlich lokale Rezeptionsfelder, was die Modellierung langreichweitiger räumlicher Strukturen erschwert.

Das neue FAConvLSTM-Modell löst diese Probleme, indem es die rekurrenten Gate‑Berechnungen in leichtgewichtige 1×1‑Bottlenecks aufteilt und eine gemeinsame depthwise‑räumliche Mischung nutzt. Dadurch wird die Kanalkomplexität deutlich reduziert, ohne die rekurrenten Dynamiken zu beeinträchtigen.

Durch multi‑skalige dilatierte depthwise‑Zweige und eine Squeeze‑and‑Excitation‑Rekalibrierung kann das Modell physikalische Prozesse effizient über verschiedene räumliche Skalen hinweg abbilden. Peephole‑Verbindungen erhöhen zusätzlich die zeitliche Präzision.

Um Telekonnektionen ohne die Kosten globaler Aufmerksamkeit zu erfassen, integriert FAConvLSTM eine leichte axial‑räumliche Aufmerksamkeitsmechanik, die nur sporadisch im Zeitverlauf angewendet wird.

Ein dedizierter Subspace‑Head erzeugt kompakte Embeddings pro Zeitschritt, die anschließend durch zeitliche Selbstaufmerksamkeit mit fester saisonaler Positionskodierung verfeinert werden.

Experimentelle Ergebnisse auf multivariaten, spatiotemporalen Klimadaten zeigen, dass FAConvLSTM die Leistung gegenüber dem klassischen ConvLSTM2D deutlich übertrifft, sowohl in Effizienz als auch in der Genauigkeit der erfassten physikalischen Prozesse.