近日，计划机视觉范围顶级外洋会议CVPR 2026公布了论文托付效果。本次会议共收到 16，092 篇投稿，最终托付 4，090 篇，举座托付率为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 推行室合营完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》奏效入选 CVPR 2026 Highlight Paper。

该责任建议了一种全新的时空天气预告框架 STCast，通过自顺应范围对都和时间搀和大家模子，在群众预告、区域预告、台风旅途展望和聚合预告四大任务上全面越过现存措施，获得了SOTA 性能。

磋议配景与动机

准确的公里级区域天气预告是一项具有深入社会经济影响的首要科学挑战。现存的区域预告战略主要分为两类：

闇练专用区域模子

忽略了瞄准确预告至关贫苦的跨区域依赖相干

从群众预告中剪辑区域

受限于静态且不精准的区域范围，泛化才能差

传统数值天气预告 ( NWP ) 措施通过求解偏微分方程来处理范围问题，但计划资本极高。而现存的 AI 措施频频只使用相邻区域来界说范围，这与练习的"大气 - 海洋 - 陆地 - 生物圈耦合表面"相矛盾——该表面标明，区域大气中的任何少许都受到通盘这个词地球系统的影响。举例，西伯利亚的寒潮不错激励东亚的寒潮，青藏高原的地表加热不错同期编削东亚季风和北好意思激流。

为了料理这些挑战，团队建议了STCast 框架，它明确地模拟了地球系统中束缚演变的群众 - 区域磋商性。

三种区域预告战略对比

团队对比了三种主流的区域天气预告战略：

上图中，图 ( 1 ) 是三种区域预告战略暗意图：

( a ) 现存 AI 措施：从群众预告中剪辑相邻区域，2026世界杯中国压球官网与区域变量一齐进行预告；

( b ) 从新平直闇练：仅使用诡计区域的数据闇练模子；

( c ) 团队的措施 ( STCast ) ：通过漫衍密聚会合群众 - 区域模子进行预告。

图 ( 2 ) 是三种战略的区域预告性能对比。

定量效果标明，STCast 在通盘变量的平均 RMSE 和 ACC 上都获得了最好性能，显赫优于平直闇练和 OneForecast 措施。这考据了团队的动态、地球感知范围机制优于基于静态邻居的耦合措施。

STCast 举座架构

STCast 是一个调处的时空天气预告框架，粗略同期处理四大要害任务：

△图 2：STCast 举座架构图

( a ) 低分袂率群众预告：包含编码器、处理器息争码器，集成了 Temporal MoE 模块；

( b ) 高分袂率区域预告：通过 Spatial-Aligned Attention 模块会通群众和区域信息；

( c ) 台风旅途展望：旁边展望的高分袂率 MSL 来想到台风旅途；

( d ) 耐久预告和聚合预告：通过注入 Perlin 噪声生成多个预告聚合。

STCast 的中枢翻新在于两个要害模块：Spatial-Aligned Attention ( SAA ) 和Temporal Mixture-of-Experts ( TMoE ) 。

中枢翻新一：Spatial-Aligned Attention ( SAA )

Spatial-Aligned Attention 模块将全局特征手脚 Query 和 Key，将区域特征手脚 Value，通过线性交叉细心力动态耦合群众和区域特征。

△图 3：Spatial-Aligned Attention 暗意图

SAA 的要害机制包括：

大圆距离度量

更准确地测量地球名义上的空间相干

指数距离衰减函数

开动化可学习的群众 - 区域漫衍，确保远距离区域的影响较弱

高效细心力机制

将计划复杂度从 O ( n ² ) 缩短到 O ( n )

通过这种神志，SAA 开拓了一个最优的群众 - 区域漫衍，开云kaiyun体育app入口登录官网该漫衍在闇练经由中束缚优化，粗略捕捉群众和区域大气阵势之间的潜在磋商性。

中枢翻新二：Temporal Mixture-of-Experts ( TMoE )

磋议到大气变量在不同月份存在显赫相反，Temporal Mixture-of-Experts 将每个月的预告视为相对孤独的任务，并使用搀和大家模子来组织这些任务。

△  图 4：Temporal Mixture-of-Experts 暗意图

TMoE 的要害机制包括：

闹翻高斯漫衍

为每个月学习一个高斯漫衍来涌现当时间特征

旋转对都

将月份序列旋转对都到输入变量，确保激活概率随时间距离单调递减

多大家激活

增强路由各样性，珍重大家同质化

推行效果 1. 低分袂率群众预告

团队在 ERA5 数据集上评估了 STCast 的群众预告性能，与 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流措施进行了对比。

△  表 1：群众天气预告性能对比

效果标明，STCast 在通盘基准测试中都知道出一致的优厚性，很是是在耐久展望方面获得了显赫的提高。这成绩于团队的月份特定闇练战略，它粗略灵验地捕捉大气系统中的季节依赖和月际变化。

2. 高分袂率区域预告

△  图 5：东亚区域的高分袂率预告推行：平直闇练、OneForecast 和 STCast 措施对比

在东亚区域的高分袂率预告推行中，团队对比了平直闇练、OneForecast 和 STCast 三种措施。效果披露，结束动态范围条款的 STCast 比较平直闇练的 STCast（无动态范围）和 OneForecast，RMSE 缩短了 0.05，ACC 提高了 0.1。

3. 顶点事件评估：台风旅途展望

团队评估了 STCast 在两个近期台风事件上的知道：2024 年 5 月的台风艾云尼 ( Ewiniar ) 和 2024 年 11 月的台风银杏   ( Yinxing ) 。

△图 6：台风旅途展望效果

效果披露，STCast 的 72 小时旅途预告与不雅测旅途的吻合度显著高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。很是是在台风银杏的耐久展望中，STCast 的平均流毒仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融磋议

团队进行了全面的消融磋议来考据每个模块的灵验性：

△表 2：消融磋议效果

效果标明，移除任何组件都会导致区域和群众任务的性能下落。最显赫的下削发出家生在移除群众 - 区域漫衍   ( 区域任务：10 天 RMSE 加多 0.22 ) 和月份镶嵌   ( 群众任务：10 天 RMSE 加多 0.13 ) 时，这阐明了每个组件在提高 STCast 举座灵验性方面的要害作用。

论断

在这项责任中，团队在 Spatial-Aligned Attention 模块中引入了自顺应细心力求，为区域预告提供动态范围条款。除了区域任务外，团队还将 Temporal Mixture-of-Experts 镶嵌到时空预告框架 STCast 中，将天气预告视为一个多任务问题，并将月度子任务寄托给专诚的大家。

因此，STCast 同期料理了四个不同的挑战：低分袂率群众预告、高分袂率区域预告、顶点事件评估和聚合天气预告。推行和消融磋议阐明，STCast 在通盘评估场景中都恒久优于竞争措施。

论文连气儿：https://arxiv.org/pdf/2509.25210v3

代码仓库：https://github.com/chenhao-zju/STCast

一键三连「点赞」「转发」「留神心」

宽容在评述区留住你的念念法！

—  完  —

咱们正在招聘别称眼疾手快、轻柔 AI 的学术编订实习生  � �

感兴致的小伙伴宽容轻柔 � �  了解信托

� � 点亮星标 � �

科技前沿进展逐日见开云kaiyun体育app登录入口