全球気象観測所天気予報（GSWF）は、局所的および極端な気象現象の予測において極めて重要な役割を果たす。しかし、既存の手法は短期パターンへの過度な依存により、精度向上が限定的であり、極端現象の予測や誤差の蓄積に課題を抱えている。これらの限界は、特に部分観測下でのカオス的な気象ダイナミクスの捕捉不足に起因する。この問題を解決するため、研究チームは三軸状態空間モデル（TSSM）を提案した。その中核は、履歴強化型の時間-変数-履歴パラダイムであり、周期調整された過去の気象データを統合することで、通常の時間遡及窓を超えた長期・大規模周期・全窓パターンを補完する。
TSSMの具体的な実装では、履歴サンプルを周期調整されたバッチに積み重ね、現在の観測と過去のデータの両方に基づく因果的予測を可能にする。時間、変数、履歴の三つのスキャン軸を設計し、各軸に沿った時間依存関係、変数間相関、履歴進化を捕捉する。この構造は階層的に共有され、季節的な変動から極端現象までをモデル化するとともに、履歴パターン間のミスアラインメントを軽減する。周期調整戦略により、履歴データと現在の予測窓の時間位相が一致し、予測の安定性がさらに向上する。
実験結果は、TSSMがこれまで最大の気象観測所データセットWeather-5Kにおいて最先端性能を達成したことを示している。精度は10%向上し、極端事象指標は61%向上した。これは長期周期と全窓パターンのモデリング能力によるものである。人間が関与する複数のデータセットでは、95%のケースで最高または二番目に良い結果を得ており、汎化能力が確認された。長期的な予測では、240時間先で37.5%の向上を記録し、予報リードタイムの延長における優位性を示した。反復予測設定（48時間×5回）では最大103.5%の向上を達成し、誤差蓄積の抑制に成功している。
頑健性評価では、TSSMは観測データの最大80%が欠損している状況でも90%以上の性能を維持したのに対し、ベースライン手法は43%未満に低下した。この堅牢性は、遠隔地や機器障害時の気象サービスなど、データが不完全な実環境での展開に特に適している。階層的共有構造は計算コストを削減し、高精度を維持しながら効率的な推論を可能にする。本研究は、全球気象観測所天気予報のための信頼性が高く実用的なソリューションを提供し、気象警報や農業計画などの分野での応用が期待される。