STCast：面向全球与区域天气预报的自适应边界对齐
机器学习
2026-04-21 v4 人工智能
大气与海洋物理
摘要
为了获得更精细的区域预报，许多工作探索了从全球大气中进行区域整合，例如在基于物理的方法中求解边界方程，或在数据驱动的方法中从全球预报中裁剪区域。然而，这些方法的有效性往往受到静态且不精确的区域边界的限制，导致泛化能力较差。为了解决这个问题，我们提出了时空天气预报（STCast），这是一种用于自适应区域边界优化和动态月度预报分配的新型 AI 驱动框架。具体而言，我们的方法采用了空间对齐注意力（SAA）机制，该机制对齐全球和区域空间分布以初始化边界，并根据注意力导出的对齐模式自适应地细化边界。此外，我们设计了一个时间混合专家模块，其中来自不同月份的大气变量使用离散高斯分布动态路由到专门的专家，增强了模型捕捉时间模式的能力。除了全球和区域预报之外，我们还在极端事件预测和集合预报上评估了 STCast。实验结果表明，在所有四个任务中均持续优于 SOTA 方法。代码：https://github.com/chenhao-zju/STCast
引用
@article{arxiv.2509.25210,
title = {STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting},
author = {Hao Chen and Tao Han and Jie Zhang and Song Guo and Lei Bai},
journal= {arXiv preprint arXiv:2509.25210},
year = {2026}
}
备注
This paper has already been accepted by CVPR 2026 (Highlight)