自动气象站部署在全球典型位置，能够以可控精度采集近地面时序数据。目前全球各地离散分布着数十万台自动站，然而，实现全球自动站的协同预报极具挑战，一方面需要从自动站构建的部分可观测系统中挖掘全球整体的大气变化规律，另一方面也需要克服海量实时数据带来的巨大计算开销。

　　为解决这一问题，清华大学研究团队提出了全球自动气象站预报大模型Corrformer。通过对经典的随机过程理论进行拓展，设计了替代注意力机制的多相关机制，将空间互相关和时间自相关统一到可学习的多尺度树型结构中，用以建模全球离散自动站多维时序数据之间复杂的时空相关性。同时，该模型可以准确挖掘特定区域内不同自动站观测之间的相对延迟，进而推理出天气过程的传播路径，实现可解释气象预报。得益于上述设计，Corrformer模型成功将时空建模中的双二次复杂度降低到空间建模的线性复杂度和时间建模的对数线性复杂度，从而在统一的深度模型中实现数万台自动气象站的协同预报。Corrformer仅使用一块图形处理器（GPU）训练一天即可完成模型优化，并能在一秒内生成全球近地面气象要素的短期预报，从而能够快速进行模型的更新迭代和业务部署。该模型在全球、区域和城市范围内均可以提供高可信度和高技巧性气象预报，同时在近地面预报中超越了经典的统计方法、先进的深度模型和业务广泛使用的数值预报方法。清华大学与国家气象中心合作推进模型的业务化，已在2022北京冬奥会气象保障中得到了成功应用。相关成果以Interpretable Weather Forecasting for Worldwide Stations with a Unified Deep Model为题发表在 Nature Machine Intelligence 期刊上。