사전 학습된 기초 모델은 방대한 데이터 세트의 정보를 활용하여 KGML에 데이터 기반 보완 기능을 제공합니다. 이러한 모델은 다양한 도메인의 환경 데이터(예: 기후 재분석, 지구 시스템 시뮬레이션, 원격 감지)뿐만 아니라 희귀하거나 극단적인 사건을 시뮬레이션하도록 특별히 설계된 합성 데이터 세트에서도 사전 학습될 수 있습니다. 이러한 이질적인 데이터 세트에 대한 노출을 통해 모델은 정상적인 조건과 극단적인 조건 모두의 역학을 학습할 수 있습니다. 사전 학습이 완료되면, 최소 샘플(few-shot) 또는 샘플 없음(zero-shot) 학습을 통해 이전에 접하지 못한 작업에 적응할 수 있습니다. 50 예를 들어, 수질과 직접적인 관련이 없는 데이터 세트를 포함하여 광범위하고 다양한 데이터 세트에서 사전 학습된 모델은 제한된 지역 측정값을 사용하여 데이터가 부족한 유역의 수질 변수를 효과적으로 예측할 수 있습니다. 14 도메인 간 사전 학습과 효율적인 적응을 결합함으로써 기초 모델은 공간 일반화 및 기후 극한에 대한 일반화 성능을 모두 향상시킬 수 있는 잠재력을 가지고 있습니다.