arXiv cs.LG·41 天前★ 2

UniGIO：从不完整观测生成全球气象建模

原文标题：UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文提出 UniGIO 生成式框架，可直接从原生存在时空缺失的全球地面观测（GIO）数据建模天气动态，将预报、插补与生成统一在任意缺失率下。方法通过 Observation Mixer、Event Aligner、自适应时间混合器与专家混合结构捕捉站点与区域互补性及极端事件。在最大全球站点数据集 Weather-5K 上，准确率、保真度与极端事件捕捉分别领先 11%、12%、5%。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 全球地面观测数据时空缺失严重，现有方法依赖补全后的AI-ready数据并引入额外误差。
方法: 生成式框架直接从带掩码的原生不完整观测建模，用Observation Mixer、Event Aligner、自适应时间混合器与专家混合统一预报、插补与生成。
结果: 在Weather-5K上准确率、保真度与极端事件捕捉分别领先11%、12%、5%。
影响: 跳过数据补全直接建模原生缺失观测，可提升实时气象建模与灾害预警的可用性。