[论文解读] Weather2K: A Multivariate Spatio-Temporal Benchmark Dataset for Meteorological Forecasting Based on Real-Time Observation Data from Ground Weather Stations

Xun Zhu, Yutong Xiong+4 more|arXiv (Cornell University)|Feb 21, 2023

Hydrological Forecasting Using AI被引用 5

一句话总结

本论文提出Weather2K，一个基于中国2,130个地面气象站实时高质量观测数据构建的新型多变量时空基准数据集，涵盖40,896个每小时时间步的20种气象变量。该研究提出MFMGCN，一种基于气象因素融合静态与动态图的多图卷积网络，在温度、能见度和湿度预测任务中实现了最先进性能，并提升了时间鲁棒性。

ABSTRACT

Weather forecasting is one of the cornerstones of meteorological work. In this paper, we present a new benchmark dataset named Weather2K, which aims to make up for the deficiencies of existing weather forecasting datasets in terms of real-time, reliability, and diversity, as well as the key bottleneck of data quality. To be specific, our Weather2K is featured from the following aspects: 1) Reliable and real-time data. The data is hourly collected from 2,130 ground weather stations covering an area of 6 million square kilometers. 2) Multivariate meteorological variables. 20 meteorological factors and 3 constants for position information are provided with a length of 40,896 time steps. 3) Applicable to diverse tasks. We conduct a set of baseline tests on time series forecasting and spatio-temporal forecasting. To the best of our knowledge, our Weather2K is the first attempt to tackle weather forecasting task by taking full advantage of the strengths of observation data from ground weather stations. Based on Weather2K, we further propose Meteorological Factors based Multi-Graph Convolution Network (MFMGCN), which can effectively construct the intrinsic correlation among geographic locations based on meteorological factors. Sufficient experiments show that MFMGCN improves both the forecasting performance and temporal robustness. We hope our Weather2K can significantly motivate researchers to develop efficient and accurate algorithms to advance the task of weather forecasting. The dataset can be available at https://github.com/bycnfz/weather2k/.

研究动机与目标

• 为解决使用地面观测数据进行气象预测时缺乏可靠、实时且多样化的基准数据集的问题。
• 克服现有数据集（如再分析、遥感和融合数据）在真实性、近地表精度和时间一致性方面的局限性。
• 开发一种可泛化的深度学习框架，有效建模基于气象因素的气象数据时空相关性。
• 建立标准化基准，用于评估气象学中时间序列与时空预测模型的性能。
• 通过高质量、开放获取的数据集与模型框架，促进大气科学与数据科学领域的合作。

提出的方法

• Weather2K基于中国600万平方公里范围内2,130个地面气象站的每小时观测数据构建，确保了实时且可靠的时序覆盖。
• 数据集包含20种近地表气象变量和3个空间常量，支持多样化任务下的多变量预测。
• 双版本数据集结构支持时间序列与时空预测任务，且序列组织清晰有序。
• MFMGCN通过整合四种静态图（距离、邻近、气压和基于位置的图）与一个动态图（基于气象因素相关性的图）来建模空间依赖性。
• 模型采用完整的卷积架构，兼顾时空一致性，以提升预测精度与鲁棒性。
• 通过消融研究系统评估图融合效果，以分析各类图对整体性能的贡献。

实验结果

研究问题

• RQ1 与单图基线相比，基于多种气象因素的图融合在多大程度上提升了时空预测性能？
• RQ2 MFMGCN在不同气象变量（如温度、能见度和湿度）的预测中，其预测精度与时间鲁棒性提升的幅度如何？
• RQ3 基于真实地面站观测数据训练的数据驱动模型能否在天气预测中超越传统NWP方法与现有GNN基方法？
• RQ4 不同的图构建策略（静态 vs. 动态，基于位置 vs. 基于因素）如何影响模型的泛化能力与性能表现？
• RQ5 在MFMGCN中，各类图（如距离、气压、位置图）对最终预测性能的相对贡献如何？

主要发现

• MFMGCN在Weather2K上实现了最先进性能，12步预测时温度预测的最低MAE为1.4418，RMSE为2.0574。
• 五图融合（所有静态与动态图）在温度、能见度和湿度预测中持续优于所有单图与部分融合配置。
• 基于气象因素的动态图（GK）在与静态图融合后显著提升性能，尽管其单独使用时表现较差，表明其具有互补价值。
• 模型展现出强大的时间鲁棒性，随着预测时长远超，性能差距逐渐扩大，表明其具有持续可靠性。
• 消融研究证实，基于位置的图（GL）是单图中效果最佳的，而基于气压的图（GP）仅在多图融合中产生积极贡献。
• 不同气象变量的性能趋势保持一致，证实了多图方法的泛化能力。