近日，绸缪机视觉鸿沟顶级海外会议CVPR 2026公布了论文委派服从。本次会议共收到 16，092 篇投稿，最终委派 4，090 篇，合座委派率为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 本质室合营完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》收效入选 CVPR 2026 Highlight Paper。

该责任提议了一种全新的时空天气预告框架 STCast，通过自稳当范围对皆和时刻羼杂行家模子，在环球预告、区域预告、台风旅途掂量和聚首预告四大任务上全面荒芜现存才气，获得了SOTA 性能。

商议配景与动机

准确的公里级区域天气预告是一项具有久了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：

磨砺专用区域模子

忽略了瞄准确预告至关紧迫的跨区域依赖关系

从环球预告中编著区域

受限于静态且不精准的区域范围，泛化才气差

传统数值天气预告 ( NWP ) 才气通过求解偏微分方程来处理范围问题，但绸缪资本极高。而现存的 AI 才气相通只使用相邻区域来界说范围，这与熟练的"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量都受到所有地球系统的影响。举例，西伯利亚的寒潮不错激发东亚的寒潮，青藏高原的地表加热不错同期改变东亚季风和北好意思巨流。

为了管理这些挑战，团队提议了STCast 框架，它明确地模拟了地球系统中胁制演变的环球 - 区域关连性。

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示图：

( a ) 现存 AI 才气：从环球预告中编著相邻区域，与区域变量通盘进行预告；

( b ) 从新奏凯磨砺：仅使用谋略区域的数据磨砺模子；

( c ) 团队的才气 ( STCast ) ：通过散播密集连合环球 - 区域模子进行预告。

图 ( 2 ) 是三种战略的区域预告性能对比。

定量服从标明，STCast 在统统变量的平均 RMSE 和 ACC 上都获得了最好性能，显赫优于奏凯磨砺和 OneForecast 才气。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才气。

STCast 合座架构

STCast 是一个合伙的时空天气预告框架，或者同期处理四大要害任务：

△图 2：STCast 合座架构图

( a ) 低区别率环球预告：包含编码器、处理器息争码器，集成了 Temporal MoE 模块；

( b ) 高区别率区域预告：通过 Spatial-Aligned Attention 模块交融环球和区域信息；

( c ) 台风旅途掂量：垄断掂量的高区别率 MSL 来揣摸台风旅途；

( d ) 持久预告和聚首预告：通过注入 Perlin 噪声生成多个预告聚首。

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

中枢篡改一：Spatial-Aligned Attention ( SAA )

Spatial-Aligned Attention 模块将全局特征看成 Query 和 Key，将区域特征看成 Value，通过线性交叉把稳力动态耦合环球和区域特征。

△图 3：Spatial-Aligned Attention 暗示图

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关系

指数距离衰减函数

开动化可学习的环球 - 区域散播，确保远距离区域的影响较弱

高效把稳力机制

将绸缪复杂度从 O ( n ² ) 缩小到 O ( n )

通过这种式样，SAA 莳植了一个最优的环球 - 区域散播，滚球(中国)官方网站该散播在磨砺进程中胁制优化，或者捕捉环球和区域大气时势之间的潜在关连性。

中枢篡改二：Temporal Mixture-of-Experts ( TMoE )

探究到大气变量在不同月份存在显赫各异，Temporal Mixture-of-Experts 将每个月的预告视为相对孤苦的任务，并使用羼杂行家模子来组织这些任务。

△  图 4：Temporal Mixture-of-Experts 暗示图

TMoE 的要害机制包括：

冲破高斯散播

为每个月学习一个高斯散播来流露当时刻特征

旋转对皆

将月份序列旋转对皆到输入变量，确保激活概率随时刻距离单调递减

多行家激活

增强路由千般性，防护行家同质化

本质服从 1. 低区别率环球预告

团队在 ERA5 数据集上评估了 STCast 的环球预告性能，与 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流才气进行了对比。

△  表 1：环球天气预告性能对比

服从标明，STCast 在统统基准测试中都推崇出一致的优胜性，十分是在持久掂量方面获得了显赫的提高。这收货于团队的月份特定磨砺战略，它或者有用地捕捉大气系统中的季节依赖和月际变化。

2. 高区别率区域预告

△  图 5：东亚区域的高区别率预告本质：奏凯磨砺、OneForecast 和 STCast 才气对比

在东亚区域的高区别率预告本质中，团队对比了奏凯磨砺、OneForecast 和 STCast 三种才气。服从知晓，兑现动态范围要求的 STCast 比拟奏凯磨砺的 STCast（无动态范围）和 OneForecast，RMSE 缩小了 0.05，ACC 提高了 0.1。

3. 极点事件评估：台风旅途掂量

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

△图 6：台风旅途掂量服从

服从知晓，STCast 的 72 小时旅途预告与不雅测旅途的吻合度彰着高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。十分是在台风银杏的持久掂量中，STCast 的平均极度仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融商议

团队进行了全面的消融商议来考据每个模块的有用性：

△表 2：消融商议服从

服从标明，移除任何组件都会导致区域和环球任务的性能下跌。最显赫的下跌发生在移除环球 - 区域散播   ( 区域任务：10 天 RMSE 增多 0.22 ) 和月份镶嵌   ( 环球任务：10 天 RMSE 增多 0.13 ) 时，这阐发了每个组件在提高 STCast 合座有用性方面的要害作用。

论断

在这项责任中，团队在 Spatial-Aligned Attention 模块中引入了自稳当把稳力争，为区域预告提供动态范围要求。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行家。

因此，STCast 同期管理了四个不同的挑战：低区别率环球预告、高区别率区域预告、极点事件评估和聚首天气预告。本质和消融商议阐发，STCast 在统统评估场景中都持久优于竞争才气。

论文连合：https://arxiv.org/pdf/2509.25210v3

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

一键三连「点赞」「转发」「预防心」

迎接在挑剔区留住你的思法！

—  完  —

咱们正在招聘又名眼疾手快、关怀 AI 的学术编著实习生  � �

感趣味趣味的小伙伴迎接关怀 � �  了解细目

� � 点亮星标 � �

科技前沿进展逐日见滚球(中国)官方网站