海表温度（SST）预测受局部时间持久性、区域空间依赖以及随预测日期变化的环境条件共同影响。本文提出将这些异构信息以文本形式呈现给大语言模型（LLM），实现区域多步预测，而无需将完整的 SST 网格序列化为文本。我们将预测建模为条件数值生成：历史 SST 与异常序列、日期对齐的环境记录以及静态海洋知识构成文本上下文；区域空间状态通过连续的图前缀提供。静态图编码持久的地理‑气候关系，动态图捕获近期 SST 相关性和局部热带气旋影响。两层图神经网络生成目标节点表示，随后通过空间前缀融合映射并注入 LLM 输入。实验在南海 SST 预测上进行，完整配置在十步预测范围内取得最小 MAE 和最高 $R^2$，优于所有对比方法。除数值预测外，规则模块将预测趋势与环境因子方向匹配知识库条目，返回来源关联的事后解释。
点评：该工作巧妙结合文本上下文与图结构，使 LLM 能够利用空间关联和环境信息，实现高精度的区域 SST 预测，并提供可解释性。