본 논문은 대기 시스템의 시공간적 복잡성으로 인해 어려운 정확하고 견고한 날씨 예측 문제를 해결하기 위해, 시공간 구조를 활용하는 새로운 자기 지도 학습 프레임워크를 제안한다. 제안하는 모델은 공간 추론을 위한 그래프 신경망(GNN), 표현 학습을 위한 자기 지도 사전 훈련 방식, 다양한 예측 기간에 걸쳐 일반화를 향상시키는 시공간 적응 메커니즘을 통합한다. ERA5 및 MERRA-2 재분석 데이터 세트에 대한 광범위한 실험을 통해 기존 수치 기상 예측(NWP) 모델 및 최신 딥러닝 방법보다 우수한 성능을 달성함을 입증했다. 베이징과 상하이에서 수행된 정량적 평가 및 시각적 분석은 미세한 기상 패턴을 포착하는 모델의 능력을 확인했으며, 향후 데이터 기반 날씨 예측 시스템을 위한 확장 가능하고 라벨 효율적인 솔루션을 제공한다.
