論文の概要: Textual Environmental Context and Spatial Graphs for LLM-Based Regional SST Forecasting

• arxiv url: http://arxiv.org/abs/2610.07895v1
• Date: Tue, 06 Oct 2026 07:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.871589
• Title: Textual Environmental Context and Spatial Graphs for LLM-Based Regional SST Forecasting
• Title（参考訳）: LLMに基づく地域SST予測のためのテクスチュアル環境コンテキストと空間グラフ
• Abstract要約: 海面温度(SST)の予測は、予測日時とともに進化する局所的時間的持続性、地域空間依存性、環境条件に依存する。 本研究では,SSTグリッド全体をテキストとしてシリアライズすることなく,この異種条件を大規模言語モデル (LLM) に提示する方法について検討する。 予測を条件付き数値生成として定式化し, 歴史的SSTと異常シーケンス, 日時順の環境記録, 静的海洋知識をテクスチュアルな文脈で表現する。 数値予測の他に、ルールベースのモジュールは予測トレンドと環境要因の方向と知識エントリとを一致させて、ソースリンクされたポストホックを返す。
• 参考スコア（独自算出の注目度）: 57.07427393870074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 海面温度(SST)の予測は、予測日時とともに進化する局所的時間的持続性、地域空間依存性、環境条件に依存する。 本研究では,SSTグリッド全体をテキストとしてシリアライズすることなく,この異種条件を大規模言語モデル (LLM) に提示する方法について検討する。 地域空間状態が連続グラフ由来の接頭辞によって供給されるのに対し, 予測を条件付き数値生成として, 歴史的SSTと異常シーケンス, 日付順の環境記録, 静的海洋知識をテキストコンテキストとして定式化する。 静的グラフは永続的な地理的-気候的関係を符号化し、動的グラフは最近のSST相関と局所的な熱帯-サイクロンの影響を符号化する。 2つのグラフニューラルネットワークは、空間前固定融合によってマッピングされ、LLM入力に注入されるターゲットノード表現を生成する。 南シナ海でのSST予測では、完全な構成は10段階で比較した手法の中で最高のMAEと$\Rtwo$を達成する。 数値予測に加えて、ルールベースのモジュールは予測トレンドと環境要因の方向と知識エントリとを一致させて、ソースリンクされたポストホックな文脈説明を返す。

関連論文リスト

• Probing Geospatial SSL Representations with Environmental Signals [51.908606610432194]
  自己教師付き学習(SSL)は、単一のタスクに最適化された表現ではなく、汎用的で転送可能な表現を学ぶように設計されている。 SSL表現は、イメージングプロセスと共変する環境変数との統計的関連を保存しているか? この問題に対処するために、我々は、物理的に一貫した環境変数のグローバルデータセットである共配置ERA5再解析変数を用いてSSL表現を探索する。
  論文  参考訳（メタデータ） (2026-07-06T15:24:25Z)
• Beyond Time Series: Spatial Reasoning for Epidemic Forecasting via Multimodal Learning [50.948271066372826]
  本稿では,地域レベルの時間的監視データと空間的局所的な補助信号を統合する,空間的に構造化されたマルチモーダル流行予測設定を提案する。 我々は,現実的なリアルタイム評価プロトコルの下で,実際の新型コロナウイルス,インフルエンザ,インフルエンザ様疾患(IIL)の予測課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2026-06-20T17:58:17Z)
• Revealing Geography-Driven Signals in Zone-Level Claim Frequency Models: An Empirical Study using Environmental and Visual Predictors [1.5484595752241122]
  地理的文脈は、しばしば自動車保険のリスクに関連すると考えられているが、公共のアクチュアリアルデータセットは限られた位置識別子を提供する。 本研究では,MTPL(Motor Third Party Liability)のクレーム予測において,代替データからの地理情報をアクタリカルモデルに組み込む方法について検討した。
  論文  参考訳（メタデータ） (2026-04-23T17:44:52Z)
• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• OKG-LLM: Aligning Ocean Knowledge Graph with Observation Data via LLMs for Global Sea Surface Temperature Prediction [70.48962924608033]
  この研究は、SST予測のための多様な海洋知識を表現するために特別に設計された海洋知識グラフ(OKG)を構築するための最初の体系的な取り組みを示す。 最後に, 学習知識を微粒な数値SSTデータと整列させ, 事前学習したLLMを用いてSSTパターンをモデル化し, 正確な予測を行う。
  論文  参考訳（メタデータ） (2025-07-31T02:06:03Z)
• Convolutional GRU Network for Seasonal Prediction of the El Ni\~no-Southern Oscillation [24.35408676030181]
  本稿では,エルニーニョ南部振動(ENSO)領域時間列予測問題に対して,畳み込みGated Recurrent Unit (ConvGRU) を改良したネットワークを提案する。 提案するConvGRUネットワークはエンコーダ・デコーダシーケンス・ツー・シーケンス構造を持ち,太平洋地域の歴史的SSTマップを入力として取り込んで,その後数ヶ月間,ENSO領域内で将来のSSTマップを生成する。 その結果, ConvGRU ネットワークは LIM, AF, RNN と比較して Nino 3.4 インデックスの予測可能性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2023-06-18T00:15:45Z)
• Towards Spatio-temporal Sea Surface Temperature Forecasting via Static and Dynamic Learnable Personalized Graph Convolution Network [9.189893653029076]
  本稿では,静的で動的に学習可能なグラフ畳み込みネットワーク(SD-LPGC)を提案する。 具体的には、SST信号に隠された安定な長期的および短期的な進化パターンをモデル化するために、2つのグラフ学習層が構築される。 そして、学習可能なパーソナライズされた畳み込み層が、この情報を融合するように設計されている。
  論文  参考訳（メタデータ） (2023-04-12T14:35:38Z)
• Explainable deep learning for insights in El Nino and river flows [15.821929236741546]
  エルニーノ・サザン振動(エルニーノ・サザン・オシレーション、英語: El Nino Southern Oscillation、略称:ENSO)は、太平洋中部および東部の海面温度の半周期変動である。 近年の研究では、ENSO予測を改善するためのディープラーニング(DL)手法の価値が実証されている。
  論文  参考訳（メタデータ） (2022-01-07T18:39:33Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。