EO-WM: Um Modelo do Mundo Fisicamente Informado para Previsão Probabilística de Observação da Terra

Resumo

A previsão por Observação da Terra (OT) tem como objetivo antecipar a dinâmica futura da superfície terrestre a partir de observações por satélite sob condições meteorológicas em mudança. Neste artigo, consideramos essa tarefa como um problema de modelagem do mundo parcialmente observado e orientado pelo clima, no qual o clima atua como um sinal condicionante, enquanto a previsão permanece incerta devido a observações esparsas e estados não observados da superfície terrestre. No entanto, os métodos existentes não capturam completamente esse cenário: modelos determinísticos colapsam a incerteza em uma única previsão futura, enquanto métodos baseados em difusão tipicamente tratam variáveis climáticas como sinais condicionantes indiferenciados, e os benchmarks existentes focam principalmente na precisão da reconstrução, e não em se as previsões respondem corretamente a mudanças no forçamento climático. Apresentamos o EO-WM, um transformador de difusão de vídeo para previsão multiespectral de OT. O EO-WM incorpora uma estrutura de condicionamento fisicamente informada que representa o forçamento meteorológico por meio de uma linha de base climatológica, anomalias climáticas e sinais cumulativos de estresse físico. Especificamente, ele separa a linha de base e a anomalia por meio de vias de condicionamento distintas e acumula o forçamento anômalo ao longo do tempo para capturar estresse térmico e hídrico sustentado. Para avaliar o comportamento de resposta climática além das métricas padrão, introduzimos dois benchmarks de diagnóstico: um Benchmark de Verão Extremo para previsão ciente da severidade da degradação da vegetação sob clima extremo, e um Benchmark de Pares Correspondentes Sazonais para testar a fidelidade da resposta sob mudanças no forçamento climático. Experimentos mostram que o EO-WM reduz o erro na amplitude de declínio prevista do Índice de Vegetação por Diferença Normalizada (NDVI) em 5,63% relativo e melhora a taxa de acerto direcional em 7,80% relativo, mantendo-se competitivo em métricas padrão de nível de pixel. Os benchmarks e o modelo serão disponibilizados em código aberto em https://github.com/Luo-Z13/EO-WM.

English

Earth Observation (EO) forecasting aims to predict future Earth surface dynamics from satellite observations under changing meteorological conditions. In this paper, we view this task as a partially observed, weather-driven world modeling problem, in which weather acts as a conditioning signal, while forecasting remains uncertain due to sparse observations and unobserved land-surface states. However, existing methods do not fully capture this setting: deterministic models collapse uncertainty into a single future prediction, while diffusion-based methods typically treat weather variables as undifferentiated conditioning signals, and existing benchmarks focus mainly on reconstruction accuracy rather than whether forecasts respond correctly to changed weather forcing.We introduce EO-WM, a video diffusion transformer for multispectral EO forecasting. EO-WM incorporates a physically informed conditioning framework that represents meteorological forcing through a climatological baseline, weather anomalies, and cumulative physical stress signals. Specifically, it separates baseline and anomaly through distinct conditioning pathways, and accumulates anomalous forcing over time to capture sustained heat and drought stress. To evaluate weather-response behavior beyond standard metrics, we introduce two diagnostic benchmarks: an Extreme Summer Benchmark for severity-aware prediction of vegetation degradation under extreme weather, and a Seasonal Matched-Pair Benchmark for testing response fidelity under changed weather forcing. Experiments show that EO-WM reduces the error in predicted Normalized Difference Vegetation Index (NDVI) decline amplitude by a relative 5.63% and improves directional hit rate by a relative 7.80%, while remaining competitive on standard pixel-level metrics. The benchmarks and model will be made open-source at https://github.com/Luo-Z13/EO-WM.