SST多尺度波动特征
SST变化受多环境因素共同影响，呈现高频日温差、半日潮汐混合、年际ENSO等不同尺度波动的复杂叠加模式。
高频尺度
日温差波动
半日尺度
潮汐混合
年际尺度
ENSO影响
年代际尺度
气候变化
ACAFNet创新模型
Adaptive Cross-scale Attention Frequency-aware Network
提出多尺度时间特征建模与自适应变量交互挖掘的时序预测模型，通过动态尺度选择、双注意力机制和频域变量度量实现精准预测。
1
多尺度建模
自适应选择Top-K关键尺度
2
双注意力机制
局部细粒度+全局长程依赖
3
频域变量度量
马氏距离量化变量相关性
三大核心创新
创新① 自适应多尺度划分
季节-趋势分解
FFT提取周期模式+加权平均捕获长期趋势
动态尺度选择
Top-K关键尺度匹配固有多尺度特征
创新② 双注意力机制
局部注意力
捕获细粒度波动与短期依赖
全局注意力
建模长程依赖与跨尺度关联
创新③ 频域变量度量
频域映射
FFT揭示时域隐藏的变量相关性
马氏距离
生成稀疏掩码强调关键变量抑制噪声
多环境变量交互机制
SST受气温、气压、风、波、流等多维度环境变量综合调控，呈现复杂的非线性耦合关系。
气温影响
通过热传导直接影响表层水体热量收支
气压影响
改变空气与海水间的热交换效率
风波流影响
调节垂向SST的混合强度
实验验证结果
在1个私有数据集+3个跨纬度公开浮标数据集（覆盖热带至亚寒带）上，与5种基线模型在4个预测步长进行对比验证。
数据集覆盖
- 私有：秦皇岛渤海沿岸锚定浮标
- 公开：52212（热带）
- 公开：NTKM3（温带）
- 公开：PRDA2（亚寒带）
性能提升
- MSE平均降低3.72%
- MAE平均降低5.03%
- RMSE平均降低4.17%
- 720步长预测全面超越基线
长时序预测优势
96步
短期预测
✓ 高精度
168步
中短期预测
✓ 稳定性强
336步
中长期预测
✓ 优势明显
720步
长期预测
✓ 全面领先
720步长期预测性能
MSE
0.299
MAE
0.399
RMSE
0.547