通过图结构学习发现地球观测的时空关联，用于天气预报
机器学习
2025-11-11 v2 人工智能
摘要
本研究旨在通过发现地球观测与大气状态之间的时空关联来提高天气预报准确性。现有的数值天气预报（NWP）系统通过分析先前的大气状态和新获取的地球观测数据，在固定位置（即 NWP 网格点）预测未来的大气状态。然而，观测位置的变化以及其周围的气象背景会导致复杂且动态的时空关联，这些关联传统 NWP 系统难以捕获，因为它们依赖严格的统计和物理公式。为处理这种动态变化的时空关联，我们采用带有结构学习的时空图神经网络（STGNN）。然而，结构学习固有地存在局限性：通过生成过多的边会导致结构信息丢失和过平滑问题。为解决此问题，我们通过自适应确定节点度数并考虑 NWP 网格点与观测之间的空间距离来调节边采样。我们使用来自东亚的真实大气状态和观测数据验证了所提方法（CloudNine-v2）的有效性，相较于现有 STGNN 模型，在 RMSE 上实现了最高可达 15% 的降低。即使在大气波动性大的地区，CloudNine-v2 也始终优于包括使用和不使用结构学习的基线模型。
引用
@article{arxiv.2508.07659,
title = {Discovering Spatial Correlations of Earth Observations for weather forecasting by using Graph Structure Learning},
author = {Hyeon-Ju Jeon and Jeon-Ho Kang and In-Hyuk Kwon and O-Joun Lee},
journal= {arXiv preprint arXiv:2508.07659},
year = {2025}
}
备注
8 pages