Spatio-Temporal Weather Prediction with Graph Neural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Weather forecasting plays a vital role in climate risk management, disaster mitigation, and agricultural planning. Traditional forecasting models often rely on sequential methods or spatially coarse datasets, limiting their ability to capture fine-grained interactions across geographically distributed locations. This research proposes a Graph Neural Network (GNN)-based approach for spatio-temporal weather prediction, utilizing ERA5 reanalysis data from 1979 to 2020 for 1,359 locations in Nepal. Key meteorological features, including precipitation, relative humidity, and temperature, are incorporated into the model. The proposed framework constructs a graph representation, where each node corresponds to a geographic location and edges represent spatial adjacency or environmental similarity. The GNN architecture integrates graph convolutional layers to capture spatial dependencies and a Gated Recurrent Unit (GRU) to model temporal patterns. Performance evaluation against historical weather data demonstrates that the model achieves lower Mean Squared Error (MSE) than traditional sequential baselines, while maintaining computational efficiency. Results highlight the model’s ability to generalize across diverse climate zones, making it a promising tool for large-scale weather monitoring. Future enhancements could incorporate real-time sensor feedback and probabilistic uncertainty quantification to develop a more robust forecasting pipeline. This study underscores the potential of GNNs in enhancing weather prediction accuracy by effectively modeling spatial dependencies—an aspect often overlooked in conventional approaches. While the model achieved strong accuracy for temperature and humidity, precipitation predictions exhibited modest visual deviations. These differences are largely attributable to the bursty, sparse nature of rainfall and vertical scale exaggeration in plotted values. Nonetheless, the predictions remained temporally aligned with actual events and yielded low MSE, underscoring the model’s validity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle