S2S-JEPA将JEPA范式引入次季节至季节预测，第5至6周精度超ECMWF
论文AI 评分 75/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
次季节至季节（S2S）预测窗口约提前两周至两月，对农业、能源及水资源管理至关重要，但被称作“可预报性荒漠”。现有AI气象模型在此区间性能衰减，主因是训练去预测不可及的细粒度细节。借鉴计算机视觉的联合嵌入预测架构（JEPA）在潜空间舍弃不可预测信息的思路，本研究提出S2S-JEPA。该模型融合前沿AI气象模型设计，仅预报慢变且可预报的成分。结果显示，其整体技能与基于物理的ECMWF集合预报相当，并在第5至6周的多个指标上实现超越。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载S2S预测痛点与现有AI局限
次季节至季节（S2S）预测涵盖未来两周至两月的时间跨度，是农业、能源及水资源调配的关键决策期。然而，该时段长期被称作“可预报性荒漠”。当前前沿的AI气象模型在两周内的预报表现优异，但超越此界限后性能便急剧恶化。其根本原因在于，这些模型被训练去预测细粒度的高频细节，而这些细节在S2S时间尺度上既不可预测，对实际应用也非必需。
引入JEPA范式舍弃不可测细节
为解决上述问题，研究指出更具物理依据的目标应是仅预报那些保持可预测性的慢变分量。计算机视觉领域的联合嵌入预测架构（JEPA）已验证了类似思路，即在潜空间进行预测，从而丢弃不可预测的像素级细节。本研究将此范式引入气象领域，提出S2S-JEPA模型。该模型结合了当前先进AI气象模型的设计元素，专门针对S2S任务进行了适配，通过在潜空间操作来规避对不可预测细节的拟合。
对比ECMWF的评估结果
在预报效果上，S2S-JEPA展现出了与基于物理的黄金标准——ECMWF集合预报系统相当的整体技能水平。尤为重要的是，在预报时效延伸至第5至第6周时，S2S-JEPA在多个评价指标上超越了ECMWF。这表明，通过改变预测目标，从直接还原细粒度细节转向捕捉潜空间中慢变且可预报的成分，能够有效突破AI模型在次季节至季节尺度上的预测瓶颈。
为什么值得看
突破AI气象模型两周以上预测瓶颈，证明潜空间预测范式在长时效气象预报中的有效性。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。