最近把NeurIPS 2026时空数据方向的投稿从头到尾过了一遍，尤其集中在天气、环境和AI交叉的这批工作。说实话，几年前的时空预测基本就是交通流量和视频预测的天下，今年明显感觉到重心在往气象、环境、灾害这些“硬科学”问题上转移。后台也有很多读者在问，到底这一波论文里有什么值得关注的东西。这篇总结作为下篇，专门把天气预报、降水预报、空气质量检测、野火检测，以及气象基础模型、VLM、不确定性量化、可解释性这几个方向一起说清楚。适合正在做时序预测、时空建模的研究者，也适合想把这些模型用到实际业务里的算法工程师。
1. 今年时空数据投稿的几个方向值得先说
如果只看单篇论文，可能会觉得今年的工作特别散，有的做雷达回波外推，有的做卫星遥感反演，有的做地面站点浓度预测。但把它们摆在一起看，能明显感受到几条主线。
第一条主线是“从纯数据驱动走向物理约束”。过去大家比拼的是模型容量和训练数据的规模，今年很多论文开始花大力气把物理规律塞进网络结构或者损失函数里，比如用连续性方程约束流量场、用热力学变量约束温度预测、用扩散方程约束污染物浓度变化。这背后其实是环境科学的天然属性——这些系统是强物理过程的，纯靠统计相关性硬拟合，短期内指标好看，长期预测一塌糊涂。
第二条主线是“时空预测正在变成生成问题”。这届大量工作在做生成式预报，不是回归一个确定性数值，而是生成未来一段时间的概率分布。尤其是扩散模型，几乎成了现阶段的默认选择，很多团队直接把图像生成领域那套latent diffusion搬过来做天气和降水的ensemble预报，效果确实比传统的单点回归要好。这类工作的核心卖点不是某一个指标提升，而是能够输出合理的多成员集合，让下游决策者拿到的不再是“一个数”，而是一组可能的场景。
第三条主线是“决策导向的评估开始取代纯精度评估”。越来越多论文开始计算CRPS、连续分级概率分数、可靠性图这些概率预报指标，不再只看RMSE或者MAE。这其实是从气象学里借鉴过来的评估传统，因为对于天气预报来说，平均误差小并不代表预报可用，降水尤其如此。
从这些主线也能看出来，时空数据环境预测这个方向正在从“比精度”进入“比可解释、比不确定性、比决策价值”的阶段。下面几个小节分别拆开讲。
2. 天气预报与降水预报：从“像素对齐”走向“过程模拟”
2.1 常见管线与评估套路
天气预报类论文，尤其是降水临近预报，基本上离不开雷达回波外推这个框架。输入过去一段时间的雷达回波序列，输出未来几个时刻的回波强度图，本质上是一个视频预测问题，但天气数据的特殊性让这个问题的难度比普通视频预测高很多。
第一个特殊点是强降水系统存在快速生消过程。对流单体可以在一两个小时内从生成到成熟再到消散，回波强度变化剧烈，用普通的时序卷积很难捕捉这种非线性演变。今年很多论文的做法是引入“光流场”作为中间变量——先估计回波的运动矢量，再在运动场的基础上做外推，相当于把问题拆成两步：回波“往哪走”和回波“变多强”。后者更难，也是大家集中攻坚的地方。
第二个特殊点是全局背景和局部急剧变化同时存在，这和交通流预测有本质区别。交通流的变化维度低、规律性强，天气系统则可能是大范围锋面缓慢移动的同时，局部区域突然触发强对流。很多模型在处理这种“多尺度耦合”时会表现失衡，要不就是过度平滑把强中心消掉了，要不就是过分强调细节导致整体位置偏移。
在评估上，除了常规的RMSE、MAE、SSIM之外，降水预报领域非常看重分类指标。比如TS评分、POD（命中率）、FAR（误报率），这些指标才有实际操作意义——预报员关心的是“我说会下雨的地方到底下了没有，我说不会下的地方是不是没下”。一个模型如果整体RMSE很低，但漏报了几场强降水，在业务上基本是不可用的。我的建议是读这类论文时，不要只看误差图，一定看TS评分和降水阈值分层指标，那才是真正的业务水平线。
2.2 降水预报的重难点
降水预报的天花板不在模型，在数据。雷达回波虽然有很高的空间分辨率，但它的物理含义是和降水强度之间的Z-R关系换算，不同地区的换算系数不一样，直接拿来当训练标签，噪声是相当大的。今年有几篇论文的思路值得借鉴，它们不直接回归Z值，而是回退到“雨强类别”——按无雨、小雨、中雨、大雨、暴雨分桶做分类预测，再反算标签。这样虽然损失了精细化数值，但显著提升了分类的稳定性和训练收敛速度，属于典型的风险与收益权衡。
另一个重难点是边界条件处理。雷暴是区域性的，但大气环流是全球性的，如果你只取了一个局部窗口，未来若干小时的演变会受窗口外系统影响。今年有不少论文直接把全球数值天气预报数据作为额外条件输入，或者做一个两级网络：先在全球尺度做一个粗糙预测，再在这个预测约束下做局地细化。这种“全局粗、局部细”的分层结构，已经在不少大尺度气象工作中被验证为比单模型堆参数更有效。
2.3 我的实测心得
在本地复现过几篇这类模型之后，最大的体会是：气象领域的评估分数太容易被“均值思维”骗了。你用MAE看模型很好，结果画出来Bonnie场全被抹平了，强中心全没了。后来咬着牙把阈值分层的指标全部列出来，才发现问题出在损失函数对大值像素惩罚不足上。
对策有两条：一是在损失函数中单独加一个针对强回波的加权项，比如对回波强度大于35dBZ的区域加3倍权重；二是在推理阶段做集合平均而不是只保留最大概率路径。现在不少论文都是直接输出20到50个ensemble成员，再做概率匹配平均，这样的结果在空间连续性和峰值强度上都有明显改善。
3. 空气质量检测与野火检测：小样本与稀疏观测的战场
3.1 空气质量检测
空气质量预测和天气预报不太一样，后者有雷达、卫星这些高分辨率观测手段，空气质量主要依赖地面站点。国控站和省控站数量有限，而且分布极度不均匀——城市中心密集，郊区稀疏，偏远地区可能几百公里没有一个站。传统的做法是用克里金插值或者化学传输模型去填补空间空白，但这两者都有明显局限：克里金本质上是平滑插值，对污染源排放的突变无能为力；化学传输模型虽然物理上完备，计算量巨大且参数不确定性高。
今年来的论文大致走两条路线。
一条是做“遥感+站点融合”。利用卫星气溶胶光学厚度（AOD）数据提供空间覆盖，用站点数据做校正，再用时空transformer做数据融合。这条路线的问题在于AOD和地面PM2.5浓度之间并不是恒定的比例关系，随气象条件和气溶胶垂向分布变化很大。今年的改进点是引入气象条件作为归一化因子，而不是直接学一个端到端的映射。
另一条是图神经网络路线。把站点当作节点，边是地理距离或风场相关性，在每个时间步上用GNN传播信息。这里的关键细节在于图结构不能是静态的，污染物的传输受风向风速影响，今天的上风向邻居和明天的可能完全不同。动态图学习是这方向的核心难点，有的论文直接学一个“传导矩阵”，有的则从风场数据计算边的权重。后者更可解释，但也更依赖气象输入的质量。
3.2 野火检测
野火检测最大的难点是样本极其稀疏。火灾是小概率事件，一年里真正的火点可能只占全部像素的千分之一不到，直接训练分类器，模型很快就会把所有像素都预测为“无火”，因为精度始终很高。今年有几篇工作重点研究了这个问题，主要套路是不平衡学习、区域级标签和时序一致性。
有个值得关注的做法是：不做像素级分类，而是做区域级预警。把研究区域切成网格，预测每个网格在未来24小时内的着火风险等级，本质上变成了一个时空风险地图任务。这样既规避了像素级正负样本极度不均衡的问题，又更贴合消防部门的使用习惯——他们确实需要的是“哪里风险高”，而不是“哪个像素会着火”。
另一个亮点是卫星时序数据的利用方式。静止轨道卫星可以做到十几分钟一帧，温度异常通常表现为“连续几帧的高温异常”。今年很多论文直接对时序做序列标注，比如用“近几帧有明显高温、下一帧仍然高温”作为正样本，比单帧分类稳健得多。这类做法对工程落地非常有启发，强烈建议做火灾监测的团队参考。
3.3 数据增强与迁移
无论是空气质量还是野火检测，都离不开数据增强。这个领域的增强不像普通图像那样子样翻转就够了，很多增强手段本身就需要物理合理性。比如对污染物浓度场做平移或者旋转，短期看是合理的，但存在一个隐患：如果旋转后的风向分布变得不符合当地气候统计特征，模型会在增强后的样本上学到错误的气象关系。有的论文选择做“风场驱动增强”，即根据历史真实风场对浓度场做水平平流模拟，相当于用简单的物理模型造数据。这种方式生成的数据物理上更可信，对模型的泛化提升也更明显。
迁移学习在这个领域也经常被提到。比如用北美野火数据训练的模型迁移到地中海区域，用京津冀站点数据训练的模型迁移到长三角。迁移的难点在于大尺度气象背景不同，模型可能学到了源域特有的地形和气候相关性。今年有论文直接提出“气候特征解耦”的架构，把气象背景编码器单独训练，下游任务头只接收去除了气候分量的残差信息。这个思路在实验上确实有效，尤其在少样本场景下提升明显。
4. 气象基础模型与VLM：多模态融合带来哪些改变
4.1 气象基础模型
气象基础模型是今年最受关注的方向之一。这类工作的目标是训练一个通用的气象表示模型，可以在多个下游任务上微调使用，比如温度预测、降水估计、风场还原等。核心做法是把再分析数据（比如全球几层压力面的气压位势、温度、湿度、风场）当作预训练语料，用自回归或者掩码自编码的方式做预训练。
这里有一个气象领域特有的“模态”问题。天气数据本身是网格化的，但不同变量之间不是独立同分布的——温度和湿度在垂直方向上有强耦合，大气状态本质上是一个流体系统。直接用图像Transformer把变量当作独立通道处理，会丢失垂直层之间的物理关系。今年有论文在预训练时显式建模了垂直压力层的“邻接关系”，把不同高度层的字段组织成伪序列，用类似处理序列数据的方式去做注意力计算。效果比扁平化处理有明显的提升，这说明气象基础模型不能完全照搬视觉Transformer的通道设计。
4.2 VLM进入气象领域
VLM在气象方向的出现是个很有意思的信号。传统上气象数据和语言没有任何关系，但今年有多篇论文尝试把卫星图像、雷达回波和文本描述对齐起来，形成“气象多模态模型”。典型任务包括：输入一张卫星云图，模型输出对当前天气系统的文本描述；输入过去6小时的雷达序列，模型输出未来天气事件的警报说明；甚至把气象数据和METEOROLOGICAL摘要串起来，让大语言模型充当“气象播报员”。
在实际复现和调研中，我意识到这背后的深层动机不完全是提高“预测精度”，而是为了人机交互和知识转移。气象预报员习惯用文字和术语交流，一个纯数值模型的结果很难直接融入他们的工作流。如果模型能把“未来6小时有强对流发展，伴有雷暴大风风险”这样的结论直接生成出来，预报员就能快速理解模型意图，而不是去解读一张概率图。
但这个方向目前还有几个没有完全克服的障碍。一是VLM在数值精度上天然不擅长，它擅长的是语义概括而不是精确量化；二是气象文本标注严重稀缺，目前很多工作都用模板式生成文本做伪标注，真实性有限；三是评估困难，“描述是否准确”很难用自动指标完全衡量。个人看法是，VLM短期内不太可能替代数值预报或深度学习定量模型，但作为辅助交互层的前景很大。
4.3 落地风险
基础模型和VLM的落地风险值得单独吐槽。首先，这些模型的参数量动辄上亿甚至几百亿，在气象业务中常见的小批量推理需求下，效率是很大的问题。省级气象台的实时业务系统不可能为每个预报任务都部署一个超大模型。其次，基础模型预训练所用的数据源（再分析数据）和实时业务数据之间存在分布偏移，比如再分析数据是经过同化和平滑的，实时观测的噪声特征完全不同。直接微调虽然能缓解，但效果打折。
我的建议是，对于大多数业务团队，不要一上来就追基础模型，而是先在中等规模的任务专用模型上把数据管线、评估标准和不确定性框架搭好，这些能力是可迁移的。等基础模型的应用范式成熟一些，再逐步替换也不迟。
5. 不确定性量化：从“给个预测”到“给个可信区间”
5.1 不确定性来源
时空环境预测里的不确定性来源很复杂，大致可以分成三类。一是数据本身的不确定性，比如观测误差、站点分布不均匀、传感器的系统偏差。二是模型的不确定性，包括架构表达能力的局限、参数估计的不确定性。三是内在的不可预测性——混沌系统本身就是对初始条件及其敏感的，大气过程是典型例子，不管你的数据和模型多好，都存在一个预测能力的物理极限。
区分这三类不确定性是有实际意义的。数据不确定性可以通过同化方法或者误差模型进行校正，模型不确定性可以通过集成学习或贝叶斯方法改善，而内在不可预测性只能通过集合预报、概率输出等途径“表达”出来。如果把这三类混为一谈，模型设计就会缺乏针对性。
5.2 常用方法
目前读到的论文里，不确定性量化的方法大概可以归为四类。
第一类是MC Dropout。实现简单，在推理时多次随机丢弃神经元，把多次前向的结果分布当作预测分布。这种方法计算开销可控，但理论上它假设丢弃分布近似于模型参数的后验分布，实际中偏差很大，往往低估不确定性。
第二类是深度集成（Deep Ensemble）。训练多个不同初始化或不同数据子集的模型，推理时取它们的预测集合。这个方法在UQ领域里的实测效果非常稳定，计算代价对大多数业务场景也能接受，今年很多时空预测的论文默认就用了这一套。
第三类是概率预测头，也叫分布头。不在最后的输出层给标量，而是给一个分布参数，比如高斯分布的均值和方差，或者更复杂的混合密度网络的参数。训练时用负对数似然作为损失。好处是额外计算量小，坏处是分布假设不一定成立，特别是对降水这类强偏态、多零值的变量，高斯假设基本不成立。
第四类是扩散模型采样。把未来场生成看作一个从噪声中逐步去噪的过程，推理时采样多个成员，天然得到一个集合。这几年在降水临近预报中效果突出，因为它能生成空间连续且物理形态合理的成员场。
5.3 评估方式
不确定性的评估方式和确定预测完全不同。确定性预测看“预报值准不准”，不确定性预测看“预报分布是否可靠和锐利”。
可靠性最常用的工具是可靠性图。把预测分位数和观测频率画成散点图，如果点落在对角线上，说明分布的校准是好的。比如“预测降雨概率30%的事件”，实际发生的频率也应该接近30%，这是可靠性的核心。
另一个常用指标是CRPS，它可以同时衡量分布的校准和锐利程度。CRPS越小越好，它在极限情况下退化为MAE，所以很多论文把CRPS当作概率预测任务的综合指标。
我在实际业务中发现一个容易忽略的坑：模型的不确定性预测需要定期重新校准。尤其是当观测系统发生变化（比如新增一个站点、更换传感器）后，原来校准好的分布会迅速失准。建议定期用滚动数据窗口做re-calibration，而不是一次性校准完之后长期不动。
6. 可解释性：让气象AI从“黑盒”变成“工具”
6.1 必要性
气象业务大概是可解释性需求最强烈的AI落地场景之一。核心原因很简单：预报员要承担责任，如果模型给出“高风险”预警，预报员需要能向决策者解释为什么是高风险，评估依据是什么，有没有反例。纯黑盒模型在技术上再好用，也很难真正进入有严格责任界定的业务流程。
对于研究者来说，可解释性也是发现模型错误的有效手段。有时候模型的RMSE看起来还过得去，但把注意力图或者归因图可视化出来，一看发现模型在靠地形特征做预测，而不是真正在利用气象场变量。这就是典型的“虚假相关”，如果不通过解释工具发现，模型上线后遇到不同的地形或气候条件就会突然崩溃。
6.2 方法清单
目前时空环境预测领域的可解释性方法大体分三类。
第一类是特征归因。常见的有梯度类方法，比如Integrated Gradients、Gradient SHAP，以及基于扰动的LIME。这类方法能回答“哪个输入像素或者哪个变量对预测结果影响最大”。但需要注意的是，对于高维时空输入，归因结果往往是模糊的、贴片式的，不能直接指导物理机制的理解。
第二类是注意力可视化。Transformer结构自带注意力权重，可以直接把注意力图可视化，观察模型在做预测时关注了哪些空间区域和时间步。这类方法在模型架构层面解释性很强，但注意力高并不总是等于因果关系，在解读时不要过度推断。
第三类是概念瓶颈模型。先让模型输出人为定义的高层概念，比如“是否存在锋面”“湿度输送强度”等，再用这些概念做最终的数值预测。这些概念是可解释的，用户直接看模型的中间输出就能理解模型的决策逻辑。这类方法在保持可解释的同时，精度通常也比黑盒模型略低一些，但在气象领域更受业务方的欢迎，因为概念本身就和预报员的思考方式一致。
6.3 踩坑
可解释性实验最常见的坑是“解释结果不稳定”。同一输入文本，换一种随机种子或者换一个训练检查点，归因图可能就面目全非。这个问题在集成模型上尤其严重。我的建议是：如果要做可解释性分析，一定要多次重复推理做稳定性检验，不要拿一次的解释结果下结论。
还有关于解释工具的另一个误区——不要把解释方法当作“调试器”用。有一次我们用一个归因方法去查模型为什么对某个区域预报偏差大，结果归因图显示模型很依赖这个区域的历史观测，但事实上这个区域本身站点稀疏，观测误差大，是数据质量问题的表现，不是模型学坏了。这个情况的教训是，归因结果给出的是“模型在利用什么”，而不是“模型是否在犯错”，两者需要分别解读。
7. 读这类论文我的一些实操经验
7.1 看完摘要先看实验
读时空环境预测论文最忌讳的是顺着引言、方法、实验一页一页读。更有效的顺序是：先看摘要，然后立刻跳到实验部分，先看数据集、对比基线、评估指标。因为这类文章的数据集和评估设置千差万别，一个在某个数据集上表现很好的模型，换一个地区或者分辨率可能完全不同，确保你一开始就对实验设定有一个整体概念。
看实验表格时，我通常会额外关注三个信息：一是模型参数量和推理耗时，看看它的性价比是否合理；二是对特殊天气过程的定性比较，比如对比图里有没有真正展示强对流、暴雨等极端事件下的表现；三是Baseline的选择是否全面，是否包含了一个足够强的最近邻基线或者传统数值统计基线。很多时候论文里新颖的深度模型打败的基本是一个弱得离谱的基础模型，其说服力是不够的。
7.2 常用数据集与基准
时空环境预测没有CV领域里那种通用的大基准，目前大家用的数据大致是训练数据集、再分析数据集、卫星和雷达数据集。它们各有侧重点，训练数据集的强项在于时序连续性好、变量维度高；再分析数据则因为覆盖时间长，适合做预训练和长期气候研究；雷达和卫星观测覆盖面积更大、时效性好，但存在大量的噪声和缺失值。
在做实验对比时，一个容易犯的错误是直接在不同文章之间跨数据集比较指标数值。由于时间范围、地域范围和预处理细节都不一致，直接对比往往没有意义。我建议的做法是：如果你的研究方向是短时降水，就建立一个自己的固定测试集，用统一的预处理流程、统一评估脚本去复现多个基线方法。只有在这种统一控制下得到的对比才是可靠的。
7.3 复现建议
最后给想复现这些模型的朋友三个直接可落地的建议。
第一，训练之前先跑通一个物理约束的简单基线。很多时候最简单的持久性模型或线性外推模型就已经能取得不错的成绩，尤其是在短时预测中。如果复杂的深度模型连这种简单基线都打不过，大概率是数据处理上有问题，而不是模型的问题。
第二，平衡采样。环境预测里事件分布极度不均衡，常规随机采样会造成模型对极端事件几乎无感。实践中要把强降水样本、高温异常样本以更高概率承担。我通常的做法是设置一个“事件采样权重”，训练集中如果某个样本的最大回波强度超过阈值，则该样本的采样权重乘以5到10。
第三，指数滑动平均是提升模型鲁棒性最简单的免费措施。对模型参数做EMA通常能稳定训练曲线的尾部，尤其是在训练过程后期loss出现震荡时。很多论文不仔细提这个细节，但在复现时加上之后，效果提升往往是立竿见目的。
我个人这几年跟踪时空环境预测方向最大的感受，是这个领域的进步已经从“模型结构创新驱动”转向了“数据质量、物理耦合和不确定性量化综合驱动”。一篇论文就算网络结构不是特别新颖，但如果能提出一个合理的物理约束模块和稳定的不确定性评估方法，对业务落地产生的推动力远比单纯刷高精度更有价值。做这个方向的同行，多花时间在Data Pipeline和Evaluation Protocol上，少纠结几个点的RMSE，你很快会发现自己的模型变得真正“能用”起来。
