基于大语言模型对齐海洋知识图谱与观测数据：用于全球海面温度预测的OKG-LLM
机器学习
2026-04-28 v1 人工智能
摘要
海面温度 (SST) 预测是海洋科学中的关键任务，支持天气预报、渔业管理和风暴跟踪等各种应用。虽然现有数据驱动方法已取得显著成功，但往往忽视了数十年来积累的丰富领域知识，限制了预测精度的进一步提升。最近的大语言模型 (LLM) 的出现凸显了整合领域知识以支持下游任务的潜力。然而，LLM 应用于SST预测仍鲜有探索，主要由于整合海洋领域知识与数值数据存在挑战。为此，我们提出了海洋知识图谱增强型LLM (OKG-LLM)，一个用于全球SST预测的新型框架。据我们了解，这是首个系统性构建旨在代表SST预测所需多样化海洋知识的海洋知识图谱 (OKG)。我们随后开发了图嵌入网络，以学习OKG中综合语义与结构知识，既捕捉各海域独特特征，又捕捉海域间复杂关联。最后，我们将所学知识与细粒度数值SST数据对齐并融合，利用预训练LLM对SST模式进行建模以实现精确预测。在真实世界数据集上的大规模实验表明，OKG-LLM 在准确性、鲁棒性和推进SST预测方面持续优于最先进的方法。代码已提供于在线仓库。
引用
@article{arxiv.2508.00933,
title = {OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction},
author = {Hanchen Yang and Jiaqi Wang and Jiannong Cao and Wengen Li and Jialun Zheng and Yangning Li and Chunyu Miao and Jihong Guan and Shuigeng Zhou and Philip S. Yu},
journal= {arXiv preprint arXiv:2508.00933},
year = {2026}
}