利用季节性编码进行地球空间时间序列量子机器学习

研究针对季节性时间序列预测提出自适应季节性量子编码方法，通过将观测数值大小与季节相位映射至不同布洛赫球面坐标，解决了量子数据重上传随线路深度增加性能退化的问题。在 ERA5-Land 东非降水数据（滞后窗口 14 个月、重上传深度 L=1-6）的测试中，该方法保持了时间相关性与频谱结构，预测精度可媲美 ARIMA、随机森林及 LSTM 等经典模型。