Leveraging Teleconnections with Physics-Informed Graph Attention Networks for Long-Range Extreme Rainfall Forecasting in Thailand

📄 arXiv: 2510.12328v4 📥 PDF

作者: Kiattikun Chobtham, Kanoksri Sarinnapakorn, Kritanai Torsri, Prattana Deeprasertkul, Jirawan Kamma

分类: cs.LG

发布日期: 2025-10-14 (更新: 2025-10-25)

💡 一句话要点

提出物理信息图注意力网络，结合极值分析，提升泰国极端降雨长期预测精度。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 图神经网络 物理信息 极端降雨预测 遥相关 极值分析 广义帕累托分布 注意力机制 长期预测

📋 核心要点

  1. 现有降雨预测方法，尤其在极端事件预测方面，仍面临气候和地球系统建模的挑战。
  2. 论文提出结合物理信息的图神经网络，利用图结构捕捉时空模式，并通过遥相关提供可解释性。
  3. 实验结果表明，该方法在多数区域优于现有基线，尤其在极端事件预测方面，并可生成高分辨率地图。

📝 摘要（中文）

本文提出了一种新颖的物理信息图神经网络（GNN），并结合极值分析技术，以提高泰国各地气象站的降雨预测精度，特别是针对极端降雨事件。该模型利用气象站的图结构化表示来捕捉复杂的时空模式，并通过遥相关提供可解释性。我们预处理了可能影响区域降雨的相关气候指数。所提出的带有长短期记忆（Attention-LSTM）的图注意力网络，使用从简单地形降水物理公式导出的初始边缘特征来应用注意力机制。嵌入随后由LSTM层处理。为了解决极端值问题，我们使用新颖的空间季节感知广义帕累托分布（GPD）方法执行超阈值（POT）映射，该方法克服了传统机器学习模型的局限性。实验表明，我们的方法在包括易发生极端事件的区域在内的大多数区域都优于已建立的基线，并且在很大程度上与最先进水平竞争。与业务预测系统SEAS5相比，我们的实际应用改进了极端事件预测，并提供了实用的增强功能，以生成高分辨率地图，从而支持长期水资源管理中的决策。

🔬 方法详解

问题定义：论文旨在解决泰国极端降雨事件的长期预测问题。现有方法难以有效捕捉降雨的时空依赖性，尤其是在极端事件的预测上，传统机器学习模型在处理极端值时存在局限性。

核心思路：论文的核心思路是将物理信息融入图神经网络中，利用图结构表示气象站之间的关系，并通过注意力机制学习重要的遥相关模式。同时，采用空间季节感知的广义帕累托分布（GPD）方法进行极值分析，以提高极端降雨事件的预测精度。

技术框架：整体框架包括以下几个主要阶段：1) 数据预处理：收集并预处理包括气候指数和气象站降雨数据在内的相关数据。2) 图构建：将气象站表示为图中的节点，并基于地形降水物理公式构建初始边缘特征。3) 图神经网络建模：使用带有长短期记忆（Attention-LSTM）的图注意力网络学习节点和边的嵌入表示。4) 极值分析：使用空间季节感知GPD方法进行超阈值（POT）映射，预测极端降雨事件。

关键创新：论文的关键创新在于：1) 将物理信息融入图神经网络的边缘特征中，提高了模型的可解释性和预测精度。2) 提出了空间季节感知的GPD方法，克服了传统机器学习模型在处理极端值时的局限性。3) 利用图注意力网络学习气象站之间的遥相关模式，捕捉了复杂的时空依赖性。

关键设计：在图神经网络中，初始边缘特征基于地形降水物理公式计算，用于引导注意力机制的学习。Attention-LSTM网络结构用于捕捉时序依赖性。空间季节感知的GPD方法通过考虑空间和季节信息，更准确地估计极端降雨事件的概率分布。损失函数的设计未知。

📊 实验亮点

实验结果表明，该方法在泰国大部分地区优于现有基线模型，尤其是在极端事件预测方面表现突出。与业务预测系统SEAS5相比，该方法在实际应用中改进了极端事件预测，并能生成高分辨率地图，为长期水资源管理提供更有效的支持。具体的性能提升数据未知。

🎯 应用场景

该研究成果可应用于长期水资源管理、农业规划、灾害预警等领域。通过提高极端降雨事件的预测精度，可以帮助决策者更好地制定防洪措施、优化水资源分配，并减少自然灾害带来的损失。该方法还可推广到其他区域的降雨预测，具有广泛的应用前景。

📄 摘要（原文）

Accurate rainfall forecasting, particularly for extreme events, remains a significant challenge in climatology and the Earth system. This paper presents novel physics-informed Graph Neural Networks (GNNs) combined with extreme-value analysis techniques to improve gauge-station rainfall predictions across Thailand. The model leverages a graph-structured representation of gauge stations to capture complex spatiotemporal patterns, and it offers explainability through teleconnections. We preprocess relevant climate indices that potentially influence regional rainfall. The proposed Graph Attention Network with Long Short-Term Memory (Attention-LSTM) applies the attention mechanism using initial edge features derived from simple orographic-precipitation physics formulation. The embeddings are subsequently processed by LSTM layers. To address extremes, we perform Peak-Over-Threshold (POT) mapping using the novel Spatial Season-aware Generalized Pareto Distribution (GPD) method, which overcomes limitations of traditional machine-learning models. Experiments demonstrate that our method outperforms well-established baselines across most regions, including areas prone to extremes, and remains strongly competitive with the state of the art. Compared with the operational forecasting system SEAS5, our real-world application improves extreme-event prediction and offers a practical enhancement to produce high-resolution maps that support decision-making in long-term water management.