본 연구는 지구 관측과 대기 상태 간의 공간 상관관계를 발견하여 날씨 예측 정확도를 향상시키는 것을 목표로 한다. 기존의 수치 예보 시스템(NWP)은 고정된 위치에서 미래 대기 상태를 예측하지만, 관측 위치 변화 및 주변 기상 환경으로 인해 발생하는 복잡하고 동적인 공간 상관관계를 포착하는 데 어려움이 있다. 이를 해결하기 위해, 동적 공간 상관관계를 처리하기 위해 구조 학습을 사용하는 시공간 그래프 신경망(STGNN)을 활용한다. 구조 학습의 문제점인 구조적 정보 손실 및 과도한 스무딩 문제를 해결하기 위해, 노드 차수를 적응적으로 결정하고 NWP 그리드 포인트와 관측 지점 간의 공간적 거리를 고려하여 엣지 샘플링을 조절하는 방법을 제안한다. 동아시아의 실제 대기 상태 및 관측 데이터를 사용하여 제안된 방법(CloudNine-v2)의 효과를 검증한 결과, 기존 STGNN 모델 대비 최대 15%의 RMSE 감소를 달성했다.
