Met^2Net: Двухэтапная модель пространственно-временного прогнозирования с разделением для сложных метеорологических систем

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

July 23, 2025

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

cs.AI

Аннотация

Учащение экстремальных погодных явлений вследствие глобальных изменений климата требует повышения точности прогнозирования погоды. В последнее время значительные успехи были достигнуты благодаря сквозным методам, основанным на технологиях глубокого обучения, однако они сталкиваются с ограничениями, связанными с несогласованностью представления данных при интеграции множественных переменных, а также с трудностями в эффективном улавливании зависимостей между переменными, что необходимо для сложных погодных систем. Рассмотрение различных переменных как отдельных модальностей и применение двухэтапного подхода к обучению, заимствованного из мультимодальных моделей, может частично смягчить эту проблему, но из-за несоответствия задач обучения между двумя этапами результаты часто оказываются неоптимальными. Для решения этих проблем мы предлагаем метод неявного двухэтапного обучения, в котором для каждой переменной настраиваются отдельные кодировщики и декодировщики. В частности, на первом этапе Переводчик замораживается, а Кодировщики и Декодировщики обучаются в общем латентном пространстве; на втором этапе Кодировщики и Декодировщики замораживаются, а Переводчик улавливает взаимодействия между переменными для прогнозирования. Кроме того, за счет введения механизма самовнимания для слияния множественных переменных в латентном пространстве достигается дополнительное улучшение производительности. Эмпирические результаты обширных экспериментов демонстрируют передовые показатели нашего метода. В частности, он снижает среднеквадратичную ошибку (MSE) для прогнозов температуры приземного воздуха и относительной влажности на 28,82\% и 23,39\% соответственно. Исходный код доступен по адресу https://github.com/ShremG/Met2Net.

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.