AGCD：基于代理引导的跨模态解码用于天气预报
人工智能
2026-03-17 v1 计算机视觉与模式识别
摘要
准确的天气预报不仅需要网格级回归，还必须保留气象场的连贯气象结构和物理一致性，尤其是在自回归 rollout 中，小的单步误差会放大为结构性偏差。现有的物理先验方法通常通过架构、正则化或 NWP 耦合等方式施加全局、一次性约束，在部署时提供有限的状态自适应和样本特定可控性。为弥合这一差距，我们提出 Agent-Guided Cross-modal Decoding（AGCD），一种插拔式解码时序先验注入范式，从当前多变量大气场派生出状态条件化的物理先验，并以可控且可复用的方式注入 forecasters。具体而言，我们设计了多代理气象叙述管道以生成状态条件化的物理先验，利用大语言模型有效提取各种气象要素。为有效应用这些先验，AGCD 进一步引入跨模态区域交互解码，该解码执行区域感知的多尺度标记化和高效物理先验注入，以无需改变 backbone 接口的方式细化视觉特征。WeatherBench 上的实验表明，在两种分辨率（5.625 度和 1.40625 度）和各种 backbone（通用型和气象专用型）上，AGCD 均实现了一致的性能提升，包括严格因果的 48 小时自回归 rollout，显著降低早期阶段的误差积累，提高长期预测稳定性。
引用
@article{arxiv.2603.15260,
title = {AGCD: Agent-Guided Cross-Modal Decoding for Weather Forecasting},
author = {Jing Wu and Yang Liu and Lin Zhang and Junbo Zeng and Jiabin Wang and Zi Ye and Guowen Li and Shilei Cao and Jiashun Cheng and Fang Wang and Meng Jin and Yerong Feng and Hong Cheng and Yutong Lu and Haohuan Fu and Juepeng Zheng},
journal= {arXiv preprint arXiv:2603.15260},
year = {2026}
}