Met^2Net：複雑な気象システムのための分離型二段階時空間予測モデル

Met^2Net: A Decoupled Two-Stage Spatio-Temporal Forecasting Model for Complex Meteorological Systems

July 23, 2025

著者: Shaohan Li, Hao Yang, Min Chen, Xiaolin Qin

cs.AI

要旨

地球規模の気候変動による極端な気象現象の頻発は、正確な天気予報の必要性を高めています。近年、深層学習技術の発展により、エンドツーエンドの手法が大きな進歩を遂げていますが、多変数統合における表現の不整合や、複雑な気象システムで必要とされる変数間の依存関係を効果的に捉えることに課題を抱えています。異なる変数を別々のモダリティとして扱い、マルチモーダルモデルから二段階の学習アプローチを適用することで、この問題を部分的に緩和できますが、二段階間の学習タスクの不一致により、結果が最適でないことがしばしばあります。これらの課題に対処するため、我々は各変数に対して個別のエンコーダとデコーダを設定した暗黙的な二段階学習手法を提案します。具体的には、第一段階ではTranslatorを凍結し、エンコーダとデコーダが共有潜在空間を学習し、第二段階ではエンコーダとデコーダを凍結し、Translatorが変数間の相互作用を捉えて予測を行います。さらに、潜在空間における多変数融合のための自己注意機構を導入することで、性能がさらに向上します。実験結果から、本手法が最先端の性能を達成することが示されています。具体的には、地表気温と相対湿度の予測において、MSEをそれぞれ28.82％と23.39％削減しました。ソースコードはhttps://github.com/ShremG/Met2Netで公開されています。

English

The increasing frequency of extreme weather events due to global climate change urges accurate weather prediction. Recently, great advances have been made by the end-to-end methods, thanks to deep learning techniques, but they face limitations of representation inconsistency in multivariable integration and struggle to effectively capture the dependency between variables, which is required in complex weather systems. Treating different variables as distinct modalities and applying a two-stage training approach from multimodal models can partially alleviate this issue, but due to the inconformity in training tasks between the two stages, the results are often suboptimal. To address these challenges, we propose an implicit two-stage training method, configuring separate encoders and decoders for each variable. In detailed, in the first stage, the Translator is frozen while the Encoders and Decoders learn a shared latent space, in the second stage, the Encoders and Decoders are frozen, and the Translator captures inter-variable interactions for prediction. Besides, by introducing a self-attention mechanism for multivariable fusion in the latent space, the performance achieves further improvements. Empirically, extensive experiments show the state-of-the-art performance of our method. Specifically, it reduces the MSE for near-surface air temperature and relative humidity predictions by 28.82\% and 23.39\%, respectively. The source code is available at https://github.com/ShremG/Met2Net.