Met^2Net: 복잡한 기상 시스템을 위한 디커플링된 2단계 시공간 예측 모델

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

July 23, 2025

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

cs.AI

초록

전 지구적인 기후 변화로 인한 극단적인 기상 현상의 빈도 증가는 정확한 기상 예측의 필요성을 더욱 절실하게 만들고 있습니다. 최근 딥러닝 기술 덕분에 엔드투엔드(end-to-end) 방법론이 큰 발전을 이루었지만, 이러한 방법들은 다변수 통합에서의 표현 불일치 문제에 직면해 있으며, 복잡한 기상 시스템에서 요구되는 변수 간의 의존성을 효과적으로 포착하는 데 어려움을 겪고 있습니다. 서로 다른 변수들을 별개의 모달리티로 취급하고 다중 모달리티 모델에서의 두 단계 학습 접근법을 적용함으로써 이 문제를 부분적으로 완화할 수 있지만, 두 단계 간의 학습 과제 불일치로 인해 결과가 종종 최적에 미치지 못합니다. 이러한 문제를 해결하기 위해, 우리는 각 변수에 대해 별도의 인코더와 디코더를 구성하는 암묵적 두 단계 학습 방법을 제안합니다. 구체적으로, 첫 번째 단계에서는 Translator를 고정한 상태에서 Encoder와 Decoder가 공유 잠재 공간을 학습하고, 두 번째 단계에서는 Encoder와 Decoder를 고정한 상태에서 Translator가 변수 간 상호작용을 포착하여 예측을 수행합니다. 또한, 잠재 공간 내에서 다변수 융합을 위한 자기 주의 메커니즘(self-attention mechanism)을 도입함으로써 성능을 더욱 향상시켰습니다. 실험 결과, 우리의 방법이 최첨단 성능을 달성함을 보여주었습니다. 특히, 지표면 근처 기온과 상대 습도 예측에서 평균 제곱 오차(MSE)를 각각 28.82%와 23.39% 감소시켰습니다. 소스 코드는 https://github.com/ShremG/Met2Net에서 확인할 수 있습니다.

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.