STCast团队 投稿量子位 | 公众号 QbitAI近日计算机视觉领域顶级国际会议CVPR 2026公布了论文录用结果。本次会议共收到16,092篇投稿最终录用4,090篇整体录用率为25.42%其中仅有约2.5%的论文被评为Highlight Paper。由香港科技大学郭嵩院士IEEE Fellow团队与上海AI实验室合作完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》成功入选CVPR 2026 Highlight Paper。该工作提出了一种全新的时空天气预报框架STCast通过自适应边界对齐和时间混合专家模型在全球预报、区域预报、台风路径预测和集合预报四大任务上全面超越现有方法取得了SOTA性能。研究背景与动机准确的公里级区域天气预报是一项具有深远社会经济影响的重大科学挑战。现有的区域预报策略主要分为两类训练专用区域模型忽略了对准确预报至关重要的跨区域依赖关系从全球预报中裁剪区域受限于静态且不精确的区域边界泛化能力差传统数值天气预报(NWP)方法通过求解偏微分方程来处理边界问题但计算成本极高。而现有的AI方法通常只使用相邻区域来定义边界这与成熟的”大气-海洋-陆地-生物圈耦合理论”相矛盾——该理论表明区域大气中的任何一点都受到整个地球系统的影响。例如西伯利亚的寒潮可以引发东亚的寒潮青藏高原的地表加热可以同时改变东亚季风和北美急流。为了解决这些挑战团队提出了STCast框架它明确地模拟了地球系统中不断演变的全球-区域相关性。三种区域预报策略对比团队对比了三种主流的区域天气预报策略上图中图(1)是三种区域预报策略示意图(a) 现有AI方法从全球预报中裁剪相邻区域与区域变量一起进行预报(b) 从头直接训练仅使用目标区域的数据训练模型(c) 团队的方法(STCast)通过分布密集连接全球-区域模型进行预报。图(2)是三种策略的区域预报性能对比。定量结果表明STCast在所有变量的平均RMSE和ACC上都取得了最佳性能显著优于直接训练和OneForecast方法。这验证了团队的动态、地球感知边界机制优于基于静态邻居的耦合方法。STCast整体架构STCast是一个统一的时空天气预报框架能够同时处理四大关键任务△图2STCast整体架构图(a) 低分辨率全球预报包含编码器、处理器和解码器集成了Temporal MoE模块(b) 高分辨率区域预报通过Spatial-Aligned Attention模块融合全球和区域信息(c) 台风路径预测利用预测的高分辨率MSL来推断台风路径(d) 长期预报和集合预报通过注入Perlin噪声生成多个预报集合。STCast的核心创新在于两个关键模块Spatial-Aligned Attention (SAA)和Temporal Mixture-of-Experts (TMoE)。核心创新一Spatial-Aligned Attention (SAA)Spatial-Aligned Attention模块将全局特征作为Query和Key将区域特征作为Value通过线性交叉注意力动态耦合全球和区域特征。△图3Spatial-Aligned Attention示意图SAA的关键机制包括大圆距离度量更准确地测量地球表面上的空间关系指数距离衰减函数初始化可学习的全球-区域分布确保远距离区域的影响较弱高效注意力机制将计算复杂度从O(n²)降低到O(n)通过这种方式SAA建立了一个最优的全球-区域分布该分布在训练过程中不断优化能够捕捉全球和区域大气模式之间的潜在相关性。核心创新二Temporal Mixture-of-Experts (TMoE)考虑到大气变量在不同月份存在显著差异Temporal Mixture-of-Experts将每个月的预报视为相对独立的任务并使用混合专家模型来组织这些任务。△图4Temporal Mixture-of-Experts示意图TMoE的关键机制包括离散高斯分布为每个月学习一个高斯分布来表示其时间特征旋转对齐将月份序列旋转对齐到输入变量确保激活概率随时间距离单调递减多专家激活增强路由多样性防止专家同质化实验结果1. 低分辨率全球预报团队在ERA5数据集上评估了STCast的全球预报性能与Pangu-Weather、Graphcast、Fuxi和OneForecast等主流方法进行了对比。△表1全球天气预报性能对比结果表明STCast在所有基准测试中都表现出一致的优越性特别是在长期预测方面取得了显著的提升。这得益于团队的月份特定训练策略它能够有效地捕捉大气系统中的季节依赖和月际变化。2. 高分辨率区域预报△图5东亚区域的高分辨率预报实验直接训练、OneForecast和STCast方法对比在东亚区域的高分辨率预报实验中团队对比了直接训练、OneForecast和STCast三种方法。结果显示实现动态边界条件的STCast相比直接训练的STCast无动态边界和OneForecastRMSE降低了0.05ACC提高了0.1。3. 极端事件评估台风路径预测团队评估了STCast在两个近期台风事件上的表现2024年5月的台风艾云尼(Ewiniar)和2024年11月的台风银杏(Yinxing)。△图6台风路径预测结果结果显示STCast的72小时路径预报与观测路径的吻合度明显高于ECMWF、FourCastNet、Pangu-Weather和FengWu。特别是在台风银杏的长期预测中STCast的平均误差仅为96.5公里而次优的Pangu-Weather为160公里。消融研究团队进行了全面的消融研究来验证每个模块的有效性△表2消融研究结果结果表明移除任何组件都会导致区域和全球任务的性能下降。最显著的下降发生在移除全球-区域分布(区域任务10天RMSE增加0.22)和月份嵌入(全球任务10天RMSE增加0.13)时这证实了每个组件在提升STCast整体有效性方面的关键作用。结论在这项工作中团队在Spatial-Aligned Attention模块中引入了自适应注意力图为区域预报提供动态边界条件。除了区域任务外团队还将Temporal Mixture-of-Experts嵌入到时空预报框架STCast中将天气预报视为一个多任务问题并将月度子任务委托给专门的专家。因此STCast同时解决了四个不同的挑战低分辨率全球预报、高分辨率区域预报、极端事件评估和集合天气预报。实验和消融研究证实STCast在所有评估场景中都始终优于竞争方法。论文链接https://arxiv.org/pdf/2509.25210v3代码仓库https://github.com/chenhao-zju/STCast
用Attention和MoE预报天气，刷新公里级预测SOTA｜CVPR‘26 Highlight
STCast团队 投稿量子位 | 公众号 QbitAI近日计算机视觉领域顶级国际会议CVPR 2026公布了论文录用结果。本次会议共收到16,092篇投稿最终录用4,090篇整体录用率为25.42%其中仅有约2.5%的论文被评为Highlight Paper。由香港科技大学郭嵩院士IEEE Fellow团队与上海AI实验室合作完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》成功入选CVPR 2026 Highlight Paper。该工作提出了一种全新的时空天气预报框架STCast通过自适应边界对齐和时间混合专家模型在全球预报、区域预报、台风路径预测和集合预报四大任务上全面超越现有方法取得了SOTA性能。研究背景与动机准确的公里级区域天气预报是一项具有深远社会经济影响的重大科学挑战。现有的区域预报策略主要分为两类训练专用区域模型忽略了对准确预报至关重要的跨区域依赖关系从全球预报中裁剪区域受限于静态且不精确的区域边界泛化能力差传统数值天气预报(NWP)方法通过求解偏微分方程来处理边界问题但计算成本极高。而现有的AI方法通常只使用相邻区域来定义边界这与成熟的”大气-海洋-陆地-生物圈耦合理论”相矛盾——该理论表明区域大气中的任何一点都受到整个地球系统的影响。例如西伯利亚的寒潮可以引发东亚的寒潮青藏高原的地表加热可以同时改变东亚季风和北美急流。为了解决这些挑战团队提出了STCast框架它明确地模拟了地球系统中不断演变的全球-区域相关性。三种区域预报策略对比团队对比了三种主流的区域天气预报策略上图中图(1)是三种区域预报策略示意图(a) 现有AI方法从全球预报中裁剪相邻区域与区域变量一起进行预报(b) 从头直接训练仅使用目标区域的数据训练模型(c) 团队的方法(STCast)通过分布密集连接全球-区域模型进行预报。图(2)是三种策略的区域预报性能对比。定量结果表明STCast在所有变量的平均RMSE和ACC上都取得了最佳性能显著优于直接训练和OneForecast方法。这验证了团队的动态、地球感知边界机制优于基于静态邻居的耦合方法。STCast整体架构STCast是一个统一的时空天气预报框架能够同时处理四大关键任务△图2STCast整体架构图(a) 低分辨率全球预报包含编码器、处理器和解码器集成了Temporal MoE模块(b) 高分辨率区域预报通过Spatial-Aligned Attention模块融合全球和区域信息(c) 台风路径预测利用预测的高分辨率MSL来推断台风路径(d) 长期预报和集合预报通过注入Perlin噪声生成多个预报集合。STCast的核心创新在于两个关键模块Spatial-Aligned Attention (SAA)和Temporal Mixture-of-Experts (TMoE)。核心创新一Spatial-Aligned Attention (SAA)Spatial-Aligned Attention模块将全局特征作为Query和Key将区域特征作为Value通过线性交叉注意力动态耦合全球和区域特征。△图3Spatial-Aligned Attention示意图SAA的关键机制包括大圆距离度量更准确地测量地球表面上的空间关系指数距离衰减函数初始化可学习的全球-区域分布确保远距离区域的影响较弱高效注意力机制将计算复杂度从O(n²)降低到O(n)通过这种方式SAA建立了一个最优的全球-区域分布该分布在训练过程中不断优化能够捕捉全球和区域大气模式之间的潜在相关性。核心创新二Temporal Mixture-of-Experts (TMoE)考虑到大气变量在不同月份存在显著差异Temporal Mixture-of-Experts将每个月的预报视为相对独立的任务并使用混合专家模型来组织这些任务。△图4Temporal Mixture-of-Experts示意图TMoE的关键机制包括离散高斯分布为每个月学习一个高斯分布来表示其时间特征旋转对齐将月份序列旋转对齐到输入变量确保激活概率随时间距离单调递减多专家激活增强路由多样性防止专家同质化实验结果1. 低分辨率全球预报团队在ERA5数据集上评估了STCast的全球预报性能与Pangu-Weather、Graphcast、Fuxi和OneForecast等主流方法进行了对比。△表1全球天气预报性能对比结果表明STCast在所有基准测试中都表现出一致的优越性特别是在长期预测方面取得了显著的提升。这得益于团队的月份特定训练策略它能够有效地捕捉大气系统中的季节依赖和月际变化。2. 高分辨率区域预报△图5东亚区域的高分辨率预报实验直接训练、OneForecast和STCast方法对比在东亚区域的高分辨率预报实验中团队对比了直接训练、OneForecast和STCast三种方法。结果显示实现动态边界条件的STCast相比直接训练的STCast无动态边界和OneForecastRMSE降低了0.05ACC提高了0.1。3. 极端事件评估台风路径预测团队评估了STCast在两个近期台风事件上的表现2024年5月的台风艾云尼(Ewiniar)和2024年11月的台风银杏(Yinxing)。△图6台风路径预测结果结果显示STCast的72小时路径预报与观测路径的吻合度明显高于ECMWF、FourCastNet、Pangu-Weather和FengWu。特别是在台风银杏的长期预测中STCast的平均误差仅为96.5公里而次优的Pangu-Weather为160公里。消融研究团队进行了全面的消融研究来验证每个模块的有效性△表2消融研究结果结果表明移除任何组件都会导致区域和全球任务的性能下降。最显著的下降发生在移除全球-区域分布(区域任务10天RMSE增加0.22)和月份嵌入(全球任务10天RMSE增加0.13)时这证实了每个组件在提升STCast整体有效性方面的关键作用。结论在这项工作中团队在Spatial-Aligned Attention模块中引入了自适应注意力图为区域预报提供动态边界条件。除了区域任务外团队还将Temporal Mixture-of-Experts嵌入到时空预报框架STCast中将天气预报视为一个多任务问题并将月度子任务委托给专门的专家。因此STCast同时解决了四个不同的挑战低分辨率全球预报、高分辨率区域预报、极端事件评估和集合天气预报。实验和消融研究证实STCast在所有评估场景中都始终优于竞争方法。论文链接https://arxiv.org/pdf/2509.25210v3代码仓库https://github.com/chenhao-zju/STCast
