气象数据的典型特点是变量多、格点密、时间序列长。一份再分析资料动辄几十年的逐日数据，水平方向上数千个格点，每个格点又有温度、湿度、风场、气压等多个物理量，拼在一起特征维度轻松突破十万。这样的数据直接喂给模型，训练慢只是表面问题，更深层的麻烦在于样本量相对维度严重不足，模型极易过拟合，而且大量冗余特征会让噪声淹没真实信号。要解决这个问题，思路通常分两步：先通过降维把数据压缩到低维空间，再在低维表示上做时空建模，捕捉时间演变和空间关联。
为什么气象数据必须降维：维度灾难的具体表现
先看问题的严重程度。假设研究东亚地区500hPa位势高度场，用2.5度分辨率的格点，大约500多个格点就构成500多维特征。如果换成1度或者更高分辨率的数据，维度会呈数量级增长。而有效的独立样本数受大气记忆长度限制，逐日数据的自相关性强，去掉相关性后有效自由度可能只有几百。维度远大于有效样本量，协方差矩阵是病态的，回归系数估计极不稳定。
另一个问题是空间格点之间的强相关性。相邻格点的温度差异往往很小，本质上整个温度场可能由少数几个大尺度模态控制，比如厄尔尼诺对应的海温异常第一模态就能解释总方差的百分之三四十。这意味着原始高维表示存在大量冗余，天然适合降维。
降维带来的收益很直接：计算量和存储需求大幅下降，噪声被滤除，模型泛化能力提升，后续统计检验也更容易进行。所以在气候诊断和气象机器学习流程里，降维几乎是必做的预处理步骤。
经典降维方法：EOF分解与PCA的关系和实现
气象领域最常用的降维工具是经验正交函数分解，它本质上就是PCA在气象场的应用。做法是把时空数据组织成矩阵，行为时间样本、列为空间格点，对该矩阵的协方差矩阵做特征分解，得到的特征向量就是空间模态（EOF），对应的时间系数叫主成分（PC）。第一模态代表解释方差最大的空间分布型态，通常有明确物理含义，比如海温的第一模态对应ENSO，地表气温的第一模态常反映全球变暖趋势。
用Python实现非常方便，scikit-learn的PCA类或者numpy的特征分解都可以：
import numpy as np
from sklearn.decomposition import PCA
# data 形状为 (时间步数, 空间格点数)
data = np.load("sst_anomaly.npy") # 海温距平场
# 取前几个主成分，具体数量看方差解释率
pca = PCA(n_components=10)
pcs = pca.fit_transform(data) # 时间系数矩阵 (时间, 10)
eofs = pca.components_ # 空间模态 (10, 格点数)
print("各模态方差解释率:", pca.explained_variance_ratio_)
print("累计解释率:", np.cumsum(pca.explained_variance_ratio_))
几个实践要点值得注意。第一，分解前必须做距平处理，减去气候态均值，否则第一模态可能被季节循环或平均值主导，掩盖真正的异常信号。第二，格点面积随纬度变化，高纬度格点实际面积小但数量权重相同，严谨的做法是按面积加权或者乘以纬度余弦的平方根再分解。第三，主成分个数的选取一般看累计方差解释率，气象场通常取到百分之八十到九十即可，再往后多为噪声。
EOF的局限也要清楚：它只捕捉线性相关结构，模态的正交性约束有时和物理图景不符，比如两个物理上相关的模态会被强行拆开。针对这一点有旋转EOF（REOF）和非线性的自编码器方案。
非线性降维：自编码器与变分方法
当数据存在非线性结构时，自编码器是PCA的自然升级。它的思路是训练一个瓶颈结构的神经网络，编码器把高维场压缩到低维隐变量，解码器再重建原场，训练目标是最小化重建误差。瓶颈层的输出就是降维后的表示。理论上一层线性的自编码器等价于PCA，加深网络并引入非线性激活后，表达能力远超线性方法。
import torch
import torch.nn as nn
class MeteoAE(nn.Module):
def __init__(self, n_grid, latent_dim=16):
super().__init__()
self.encoder = nn.Sequential(
nn.Linear(n_grid, 256), nn.ReLU(),
nn.Linear(256, 64), nn.ReLU(),
nn.Linear(64, latent_dim)
)
self.decoder = nn.Sequential(
nn.Linear(latent_dim, 64), nn.ReLU(),
nn.Linear(64, 256), nn.ReLU(),
nn.Linear(256, n_grid)
)
def forward(self, x):
z = self.encoder(x)
return self.decoder(x.new_tensor(0) + 0 + z * 1, ) if False else self.decoder(z), z
model = MeteoAE(n_grid=1024, latent_dim=16)
criterion = nn.MSELoss()
训练时把每个时刻的场作为一个样本，用MSE损失约束重建。隐变量维度可以从大到小逐步尝试，观察重建误差的拐点。如果还希望隐空间适合生成任务或不确定性估计，可以换成变分自编码器，让隐变量服从高斯分布，编码结果更平滑连续。
自编码器的缺点是缺乏物理解释性，隐变量不像EOF模态那样能直接画出空间型态并讨论物理机制。所以做机制研究优先用EOF，做预测建模则自编码器往往效果更好，两者并不冲突，可以在同一项目里分别使用、互相印证。
降维之后的时空建模：从LSTM到时空图卷积
降维把每个时刻的场压缩成一维向量后，时间建模就变成了标准序列问题。最直接的方案是把前若干个时刻的主成分序列输入LSTM，预测下一时刻的场或者某个目标量（如区域平均降水、台风路径）。由于输入维度已经从数千降到十几个，网络规模大幅缩小，训练快且不易过拟合。物理经验也表明，大尺度环流演变主要集中在低维模态上，低维序列已经携带了大部分可预测信号。
如果同时想保留空间结构信息，就不能把场简单压成向量，需要专门的时空模型。卷积LSTM把LSTM内部的矩阵乘法换成卷积操作，输入保持三维张量形式，适合规则格点数据，短临降水预报里应用很广。对于站点这种非规则分布的数据，图神经网络更合适：把站点当节点，按地理距离或相关性建边，用图卷积聚合邻域信息，再叠加GRU等时序模块，构成时空图卷积网络，对区域气温、空气质量预测都有不错的效果。
import torch.nn as nn
class STGCNBlock(nn.Module):
"""时空图卷积模块：图卷积捕捉空间依赖，门控卷积捕捉时间依赖"""
def __init__(self, in_ch, out_ch, n_nodes):
super().__init__()
self.gcn = nn.Linear(in_ch, out_ch) # 简化版图卷积
self.tcn = nn.Conv1d(out_ch, out_ch, kernel_size=3, padding=1)
self.gate = nn.Sigmoid()
def forward(self, x, adj):
# x: (batch, n_nodes, time, features)
b, n, t, f = x.shape
h = self.gcn(x) # 空间维变换
h = h.permute(0, 2, 1, 3).reshape(b, t, n * h.size(-1))
h = self.tcn(h) # 时间卷积
return self.gate(h)
还有一种折中方案值得推荐：用EOF做粗降维去掉噪声，保留十到二十个主成分序列，再用LSTM或Transformer建模这些序列，最后通过EOF模态重建出完整的空间场。这种混合流程兼顾了计算效率、物理解释和预测精度，是业务化系统中很常见的架构。
工程实践建议与常见陷阱
流程组织上，建议把降维器作为独立模块固定下来：在训练集上拟合PCA或自编码器，保存模态和均值场，预测阶段对新的观测场做相同的变换。切忌每批数据重新拟合，否则主成分的定义随时间漂移，模型输入分布不稳定。
常见错误包括：忘记距平化和标准化，导致模态被均值或量纲大的变量主导；训练和预测使用不同的气候态基准；降维和标签之间发生信息泄漏，比如用包含预测时段的数据拟合PCA。另外要评估降维是否真的有利，可以对比直接在高维数据上用正则化模型（如岭回归）的基线结果，有些任务里强正则化已经足够，未必需要显式降维。
最后，降维不是目的而是手段。选择EOF还是自编码器、选LSTM还是时空图卷积，应回到具体问题：需要物理解释就偏向线性模态，需要极致预测精度就大胆用深度模型，并始终保留一个简单基线作为参照，这样才能判断每一步复杂度带来的收益是否划算。