图谱中的世界：利用图神经网络改进厄尔尼诺预测

基于深度学习的模型最近超越了最先进的季节性预测模型，例如预测厄尔尼诺-南方涛动（ENSO）。然而，目前的深度学习模型基于卷积神经网络，难以解释，且可能无法建模大规模大气模式。相比之下，图神经网络（GNNs）能够建模大规模空间依赖关系，并且由于显式建模信息通过边连接的流动，具有更好的可解释性。我们提出了图神经网络在季节性预测中的首次应用。我们设计了一种新颖的图连接学习模块，使我们的GNN模型能够与实际的ENSO预测任务共同学习大规模空间相互作用。我们的模型在预测六个月范围内的效果超越了最先进的基于深度学习的模型。此外，我们表明我们的模型更具可解释性，因为它学习了与ENSO异常模式相关的合理连接结构。