Geo-χ-Former: A Geodynamically Informed Transformer for Short-Term Polar Motion Prediction in the Excitation Domain
本文介绍了 Geo-χ-Former，一种地动力学感知的 Transformer 框架，该框架通过利用有效角动量协变量和日历编码在激发域进行预测，从而将 30 天短期极移预测的均方根误差与标准 IERS Bulletin A 预测相比分别降低了 9.21% 和 11.93%。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
地球并非绕着一个完美的固定轴旋转。就像一个略微失衡的陀螺，我们的星球在旋转时会发生摆动，导致地理北极在地球表面缓慢漂移。这种被称为“极运动”的现象虽然细微，却至关重要。它随着时间的推移使极点的位置偏移数米，对于任何依赖精确定位的人——从卫星导航系统到深空追踪——来说，这一变化都意义重大。为了保持这些系统的准确性，科学家必须预测极点在未来几周的位置。然而，这项任务异常困难，因为地球的摆动是由多种复杂力量共同驱动的。大气、海洋，甚至陆地上水量的转移，都在推动和拉扯着地球的旋转，产生了一种难以从稳定的、有节奏的摆动背景中剥离出来的混沌信号。
几十年来，研究人员一直试图利用观察极点位置历史记录的数学模型来预测这种运动。这些方法对于长期的、稳定的摆动节奏效果良好，但往往难以捕捉由天气模式或洋流引起的短期、剧烈的冲击。来自中山大学和中国航天科技集团的研究团队提出了一种不同的思考方式。他们不再尝试直接预测极点的位置，而是决定预测导致极点移动的力量。通过将关注点转向摆动的“激发”（即大气和海洋产生的物理推力和拉力），他们创建了一种名为 Geo-χ-Former 的新型预测工具。这种方法让计算机能够比以往的方法更有效地学习地球流体层与由此产生的摆动之间的关系。
研究人员基于一个简单而强大的理念构建了他们的系统：地球的摆动是对外部力量的一种反应。正如船只随波浪摇晃一样，地球的旋转轴也会随着空气、水和冰的运动而发生偏移。该团队使用了一种被称为“Transformer”的高级人工智能，这种技术在寻找数据序列中的模式方面表现卓越。然而，他们并没有将极点位置的原始坐标输入模型。相反，他们首先将观测到的极点运动转化为产生这些运动的力量的表征。这个过程被称为推导“大地测量角动量函数”，它有效地剥离了摆动的长期、持续性的节奏，从而揭示了由大气和海洋驱动的短期信号。随后，模型利用风速、洋流和储水量方面的历史数据作为线索，学习预测未来 30 天的这些力量信号。
一旦模型预测了这些力量在未来将如何变化，系统就会进行逆向操作。它提取预测的力量，并通过数学手段重建极点的位置，有效地将“推力”转化回“摇晃”。这种“先预测原因，再计算结果”的两步走过程，被证明比直接猜测结果更为准确。当团队将这种方法与国际地球自转与参考系统服务（IERS）所使用的标准运行预报进行对比测试时，结果显而易见。在 30 天的周期内，他们的新模型在预测极点的一个方向上减少了约 9.2% 的平均误差，在另一个方向上减少了近 12%。这些改进虽然在绝对数值上看似微小，但在以毫角秒（一个肉眼几乎无法察觉的极小单位）为运算规模的系统中，代表了精度的巨大飞跃。
研究还通过窥探模型内部的决策过程，探讨了为什么这种方法如此有效。研究人员发现，人工智能自然地学会了将注意力集中在大气和海洋上，而它们正是短期极运动的主要驱动力。它还识别出陆地上的水（如河流和土壤中的水）发挥着独特且互补的作用。有趣的是，模型并未平等对待所有数据点；它学会了重度关注近期历史，同时也记忆那些以年为周期的重复模式。这种平衡即时状况与季节性节奏的能力，使系统能够应对支配地球旋转的复杂力量相互作用。
Geo-χ-Former 的成功表明，预测地球旋转的未来在于理解物理原因，而非仅仅追踪症状。通过将问题转化为驱动摆动的力量，研究人员得以绕过以往仅依赖极点位置历史记录的方法所存在的局限性。该模型的表现表明，它成功捕捉到了其他系统容易忽略的微妙短期变化，为未来一个月提供了更可靠的指引。虽然这些预测的准确性仍取决于大气和海洋状况的数据质量，但这种新方法提供了一个整合这些信息的稳健框架。随着地球继续进行其缓慢而复杂的舞蹈，这一具有地球动力学信息的工具为极点走向提供了更清晰的视野，确保我们的全球定位系统始终与旋转的世界保持同步。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。