Textual Environmental Context and Spatial Graphs for LLM-Based Regional SST Forecasting
作者: Xiong Li, Xiaowei Zhou, Yanwei Yu, Qian Cui, Junyu Dong
分类: cs.AI
发布日期: 2026-10-06
备注: preprint
💡 一句话要点
提出基于文本环境上下文与空间图的区域SST预测方法
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 海表温度预测 图神经网络 条件数值生成 空间依赖性 环境因素
📋 核心要点
- 现有的SST预测方法在处理复杂的环境条件和空间依赖性方面存在不足，难以有效捕捉区域特征。
- 本文提出了一种将历史SST、环境记录与图神经网络结合的方法，通过条件数值生成实现多步预测。
- 实验结果表明，所提方法在南海的SST预测中，MAE和R²值均优于其他对比方法，显示出显著的提升。
📝 摘要（中文）
海表温度（SST）预测依赖于局部时间持续性、区域空间依赖性以及随预测日期演变的环境条件。本文研究如何将这些异质条件呈现给大型语言模型（LLM），以实现区域多步预测，而无需将完整的SST网格序列化为文本。我们将预测形式化为条件数值生成：历史SST和异常序列、日期对齐的环境记录以及静态海洋知识形成文本上下文，而区域空间状态通过连续的图派生前缀提供。静态图编码持久的地理-气候关系，动态图编码近期SST相关性和局部热带气旋影响。通过图神经网络生成目标节点表示，并通过空间前缀融合映射到LLM输入中。在南海的SST预测中，完整配置在十个预测步骤中实现了最佳的平均绝对误差（MAE）和R²值。除了数值预测外，基于规则的模块将预测趋势与环境因素方向匹配，返回源链接的事后上下文解释。
🔬 方法详解
问题定义：本文旨在解决海表温度（SST）预测中对局部时间持续性和区域空间依赖性的建模问题。现有方法通常无法有效整合复杂的环境条件，导致预测精度不足。
核心思路：论文提出通过将历史SST、环境记录和静态海洋知识结合，形成文本上下文，并利用图神经网络来编码空间状态，从而实现条件数值生成的多步预测。这样的设计使得模型能够更好地捕捉区域特征和动态变化。
技术框架：整体架构包括三个主要模块：文本上下文生成模块、图神经网络模块和LLM输入融合模块。文本上下文由历史数据和环境记录构成，而图神经网络负责生成目标节点的空间表示，最后将这些信息注入到LLM中进行预测。
关键创新：最重要的创新在于将静态和动态图结合使用，静态图编码持久的地理-气候关系，动态图则捕捉近期SST相关性和热带气旋影响。这种双重图结构显著提升了模型的预测能力。
关键设计：在模型设计中，采用了特定的损失函数来优化预测精度，并通过空间前缀融合技术将图神经网络的输出与文本上下文有效结合，确保信息的充分利用。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在南海的SST预测中，平均绝对误差（MAE）和R²值均优于其他对比方法，具体表现为在十个预测步骤中实现了最佳性能，验证了模型的有效性和创新性。
🎯 应用场景
该研究的潜在应用领域包括气候监测、海洋环境预测以及灾害预警等。通过提高SST预测的准确性，可以为渔业管理、航运安全和气候变化研究提供重要支持，具有显著的实际价值和社会影响。
📄 摘要（原文）
Sea surface temperature (SST) forecasting depends on local temporal persistence, regional spatial dependence, and environmental conditions that evolve with the forecast date. We study how these heterogeneous conditions can be presented to a large language model (LLM) for regional multi-step forecasting without serializing the full SST grid as text. We formulate forecasting as conditional numerical generation: historical SST and anomaly sequences, date-aligned environmental records, and static ocean knowledge form a textual context, while regional spatial state is supplied through continuous graph-derived prefixes. A static graph encodes persistent geographic--climatological relations, and a dynamic graph encodes recent SST correlations and localized tropical-cyclone influence. Two graph neural networks produce a target-node representation that is mapped by a spatial-prefix fusion and injected into the LLM input. On SST forecasting in the South China Sea, the complete configuration achieves the best MAE and $\Rtwo$ among the compared methods over ten forecast steps. Alongside the numerical forecast, a rule-based module matches predicted trends and environmental-factor directions with knowledge entries to return source-linked, post-hoc contextual explanations.