S2S-JEPA: Predicting the Predictable at Subseasonal-to-Seasonal Timescales

📄 arXiv: 2610.03106v1 📥 PDF

作者: Chenyu Dong, Gianmarco Mengaldo

分类: physics.ao-ph, cs.AI, cs.LG

发布日期: 2026-10-02

💡 一句话要点

提出S2S-JEPA以解决季节性预测的可预测性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 季节性预测 可预测性 深度学习 气象模型 联合嵌入预测架构 农业管理 能源预测

📋 核心要点

  1. 现有的AI气象模型在S2S时间尺度上表现不佳，主要因为它们关注不可预测的细节，导致预测能力下降。
  2. S2S-JEPA通过引入JEPA的思想，专注于预测可预测的慢变成分，从而提高S2S预测的准确性。
  3. 实验结果显示，S2S-JEPA在多个指标上超越了ECMWF模型，尤其在5到6周的预测中表现优异。

📝 摘要（中文）

季节性预测（S2S）时间尺度大约为两周到两个月，是农业、能源和水资源管理等领域的重要预测窗口。然而，该领域被称为“可预测性沙漠”。现有的AI气象模型在两周内表现良好，但在此之后性能下降，主要是因为它们被训练来预测细节，而这些细节在S2S时间尺度上既不可预测也不重要。本文提出S2S-JEPA，借鉴了联合嵌入预测架构（JEPA），专注于预测可预测的慢变成分。S2S-JEPA在多个指标上超越了黄金标准的ECMWF物理基础集成模型，尤其在第5到第6周的预测中表现出色。

🔬 方法详解

问题定义：本文解决的是季节性预测（S2S）中的可预测性问题，现有方法在两周后性能下降，主要因为它们关注不可预测的细节。

核心思路：S2S-JEPA的核心思路是借鉴JEPA的设计，专注于预测可预测的慢变成分，避免细节的干扰，从而提高预测准确性。

技术框架：S2S-JEPA的整体架构包括数据预处理、特征提取、慢变成分预测和后处理等模块，采用深度学习技术进行训练和优化。

关键创新：S2S-JEPA的主要创新在于将JEPA的思想应用于S2S预测，强调物理基础与AI模型的结合，显著提高了预测的可靠性和准确性。

关键设计：在设计中，S2S-JEPA采用了特定的损失函数来优化可预测成分的预测，同时在网络结构上进行了调整，以适应S2S时间尺度的特性。具体参数设置和网络层次结构的细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

S2S-JEPA在多个指标上超越了ECMWF物理基础集成模型，尤其在第5到第6周的预测中，表现出显著的提升，具体性能数据在论文中详细列出，展示了其在季节性预测中的有效性。

🎯 应用场景

S2S-JEPA的研究成果可广泛应用于农业、能源和水资源管理等领域，帮助决策者在季节性变化中做出更准确的预测，从而优化资源配置和风险管理。未来，该方法有望推动气象预测技术的进一步发展，提高气象服务的准确性和可靠性。

📄 摘要（原文）

The subseasonal-to-seasonal (S2S) timescale, roughly from two weeks to two months ahead, is a critical forecast window for sectors such as agriculture, energy, and water management. Yet, it is widely known as the `predictability desert'. Recent AI weather models excel up to two weeks ahead but deteriorate beyond, largely because they are trained to predict fine-scale details that are neither predictable nor essential at S2S timescales. We argue that a more physically grounded objective is to forecast only the slowly varying components that remain predictable. Computer vision reached the same conclusion with the Joint-Embedding Predictive Architecture (JEPA), which predicts in latent space, discarding unpredictable details. In this work, we introduce S2S-JEPA, which brings the JEPA paradigm to S2S forecasting. It is tailored to this task through design elements from state-of-the-art AI weather models. S2S-JEPA achieves comparable skill to the gold-standard ECMWF physics-based ensemble and surpasses it on multiple metrics at weeks 5 to 6.