对气象数据的对比学习提升确定性与生成模型

气象数据包含多个变量，由于高维度和多模态特性，面临重大挑战。创建低维嵌入需要将数据压缩到紧凑的共享潜在空间中。这种压缩对于提高下游任务（如预测或极端天气检测）的效率和性能至关重要。无监督学习，特别是对比学习，为从无标签数据生成低维、稳健的嵌入提供了途径，使下游任务在标签数据稀缺时得以实现。尽管对比学习在气象数据（特别是ERA5数据集）上已有初步探索，但当前文献未广泛检视其相对于替代压缩方法（如自编码器）的优势。此外，当前对比学习工作未探讨如何纳入稀疏数据，这在实际数据收集中更为常见。必须探索并理解对比学习如何为稀疏气象数据创建更稳健的嵌入，从而提高下游任务的性能。我们的工作广泛探索ERA5数据集上的对比学习，通过对比稀疏样本与完整样本的对齐方式，创建稀疏数据增强对比时空嵌入（SPARTA）。我们引入时序感知的批量抽样策略和循环一致性损失以改进潜在空间的结构。此外，我们提出一种新型图神经网络融合技术，以注入领域特定的物理知识。最终，我们的结果表明，对比学习是稀疏地球科学数据可行且有利的压缩方法，从而提升下游任务的性能。