MeteoSwiss: Temperaturprognose mit Graph Neural Networks

Die Herausforderung

Traditionelle numerische Wettervorhersagemodelle sind rechenintensiv und können bei lokalen Temperaturvariationen Schwierigkeiten haben. MeteoSwiss benötigte einen datengetriebenen Ansatz zur Ergänzung ihrer operativen Vorhersagen, der das dichte SwissMetNet-Netzwerk mit 302 Stationen nutzt.

Unsere Lösung

Wir haben 4 Architekturen mit zunehmender räumlicher Modellierung implementiert und verglichen: TCN (Baseline ohne Graph), RNN mit Node-Embeddings, STGNN mit Graph-Convolutions und STGNN-Att mit gelernter Graphstruktur via Attention. Der räumliche Graph basiert auf der geografischen Distanz zwischen Stationen (Gauss-Kernel + K-Nearest-Neighbors). Training mit Energy Score (CRPS) Loss für probabilistische Kalibrierung.

Wichtigste Ergebnisse

• STGNN-Modell erreicht mittleren Fehler von 1,44°C, 17,4% weniger als TCN-Baseline
• Bei 1h Horizont schlagen unsere Modelle die ICON-CH1-EPS Vorhersagen um 54%
• Räumliches Message-Passing verbessert Performance um 6,9% (MAE) und 7,1% (Energy Score)
• Benchmark über Horizonte von 1h bis 24h, direkter Vergleich mit MeteoSwiss operativem NWP

Ähnliche Fallstudien