EO-WM: Физически информированная модель мира для вероятностного прогнозирования наблюдений Земли

Аннотация

Прогнозирование на основе данных дистанционного зондирования Земли (ДЗЗ) направлено на предсказание будущей динамики земной поверхности по спутниковым наблюдениям в условиях изменяющихся метеорологических параметров. В данной статье мы рассматриваем эту задачу как частично наблюдаемую проблему моделирования мира, управляемого погодой, где погода выступает в качестве обусловливающего сигнала, а прогнозирование остается неопределенным из-за разреженных наблюдений и ненаблюдаемых состояний земной поверхности. Однако существующие методы не полностью учитывают эту постановку: детерминистические модели сводят неопределенность к единственному будущему прогнозу, в то время как диффузионные методы обычно рассматривают погодные переменные как недифференцированные обусловливающие сигналы, а существующие эталоны сосредоточены в основном на точности реконструкции, а не на том, правильно ли прогнозы реагируют на измененные погодные воздействия. Мы представляем EO-WM, видеодиффузионный трансформер для мультиспектрального прогнозирования ДЗЗ. EO-WM включает физически обоснованную структуру обусловливания, которая представляет метеорологическое воздействие через климатологический базис, погодные аномалии и кумулятивные сигналы физического стресса. В частности, он разделяет базис и аномалию с помощью отдельных путей обусловливания и накапливает аномальное воздействие во времени для учета продолжительного теплового и засушливого стресса. Для оценки поведения реакции на погоду за пределами стандартных метрик мы вводим два диагностических эталона: эталон экстремального лета для прогнозирования деградации растительности с учетом степени тяжести в экстремальных погодных условиях и эталон сезонных парных выборок для проверки точности реакции при измененных погодных воздействиях. Эксперименты показывают, что EO-WM снижает ошибку в прогнозируемой амплитуде снижения нормализованного разностного вегетационного индекса (NDVI) на относительные 5,63% и улучшает направленную частоту попаданий на относительные 7,80%, оставаясь конкурентоспособным по стандартным попиксельным метрикам. Эталоны и модель будут опубликованы в открытом доступе по адресу 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.