近日，计较机视觉范畴顶级外洋会议CVPR 2026公布了论文委用效用。本次会议共收到 16，092 篇投稿，最终委用 4，090 篇，举座委用率为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 履行室相助完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》奏效入选 CVPR 2026 Highlight Paper。

该职责提议了一种全新的时空天气预告框架 STCast，通过自得当规模对皆和时间搀和行家模子，在宇宙预告、区域预告、台风旅途瞻望和蚁合预告四大任务上全面特出现存才能，得到了SOTA 性能。

询查布景与动机

准确的公里级区域天气预告是一项具有深切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：

检会专用区域模子

忽略了瞄准确预告至关病笃的跨区域依赖联系

从宇宙预告中编著区域

受限于静态且不精准的区域规模，泛化材干差

传统数值天气预告 ( NWP ) 才能通过求解偏微分方程来处理规模问题，但计较本钱极高。而现存的 AI 才能经常只使用相邻区域来界说规模，这与进修的"大气 - 海洋 - 陆地 - 生物圈耦合表面"相矛盾——该表面标明，区域大气中的任何小数都受到通盘地球系统的影响。举例，西伯利亚的寒潮不错激勉东亚的寒潮，青藏高原的地表加热不错同期改造东亚季风和北好意思大水。

为了惩处这些挑战，团队提议了STCast 框架，它明确地模拟了地球系统中握住演变的宇宙 - 区域有关性。

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 才能：从宇宙预告中编著相邻区域，与区域变量一皆进行预告；

( b ) 重新径直检会：仅使用指标区域的数据检会模子；

( c ) 团队的才能 ( STCast ) ：通过漫衍密集集结宇宙 - 区域模子进行预告。

图 ( 2 ) 是三种战略的区域预告性能对比。

定量效用标明，STCast 在扫数变量的平均 RMSE 和 ACC 上都得到了最好性能，权臣优于径直检会和 OneForecast 才能。这考证了团队的动态、地球感知规模机制优于基于静态邻居的耦合才能。

STCast 举座架构

STCast 是一个谐和的时空天气预告框架，大略同期处理四大关节任务：

△图 2：STCast 举座架构图

( a ) 低区别率宇宙预告：包含编码器、处理器妥协码器，集成了 Temporal MoE 模块；

( b ) 高区别率区域预告：通过 Spatial-Aligned Attention 模块交融宇宙和区域信息；

( c ) 台风旅途瞻望：哄骗瞻望的高区别率 MSL 来推测台风旅途；

( d ) 历久预告和蚁合预告：通过注入 Perlin 噪声生成多个预告蚁合。

STCast 的中枢改进在于两个关节模块：Spatial-Aligned Attention ( SAA ) 和Temporal Mixture-of-Experts ( TMoE ) 。

中枢改进一：Spatial-Aligned Attention ( SAA )

Spatial-Aligned Attention 模块将全局特征行为 Query 和 Key，将区域特征行为 Value，通过线性交叉翔实力动态耦合宇宙和区域特征。

△图 3：Spatial-Aligned Attention 暗示图

SAA 的关节机制包括：

大圆距离度量

更准确地测量地球名义上的空间联系

指数距离衰减函数

开动化可学习的宇宙 - 区域漫衍，确保远距离区域的影响较弱

高效翔实力机制

将计较复杂度从 O ( n ² ) 缩小到 O ( n )

通过这种样子，SAA 设立了一个最优的宇宙 - 区域漫衍，亚搏(中国)一站式服务官方网站该漫衍在检会历程中握住优化，大略捕捉宇宙和区域大气风光之间的潜在有关性。

中枢改进二：Temporal Mixture-of-Experts ( TMoE )

磋议到大气变量在不同月份存在权臣各别，Temporal Mixture-of-Experts 将每个月的预告视为相对沉寂的任务，并使用搀和行家模子来组织这些任务。

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

TMoE 的关节机制包括：

摧毁高斯漫衍

为每个月学习一个高斯漫衍来走漏当时间特征

旋转对皆

将月份序列旋转对皆到输入变量，确保激活概率随时间距离单调递减

多行家激活

增强路由各种性，驻守行家同质化

履行效用 1. 低区别率宇宙预告

团队在 ERA5 数据集上评估了 STCast 的宇宙预告性能，与 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流才能进行了对比。

△  表 1：宇宙天气预告性能对比

效用标明，STCast 在扫数基准测试中都发扬出一致的优胜性，特别是在历久瞻望方面得到了权臣的晋升。这收获于团队的月份特定检会战略，它大略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履行：径直检会、OneForecast 和 STCast 才能对比

在东亚区域的高区别率预告履行中，团队对比了径直检会、OneForecast 和 STCast 三种才能。效用露出，结束动态规模条款的 STCast 比拟径直检会的 STCast（无动态规模）和 OneForecast，RMSE 缩小了 0.05，ACC 提高了 0.1。

3. 极点事件评估：台风旅途瞻望

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

△图 6：台风旅途瞻望效用

效用露出，STCast 的 72 小时旅途预告与不雅测旅途的吻合度光显高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。特别是在台风银杏的历久瞻望中，STCast 的平均罪戾仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融询查

团队进行了全面的消融询查来考证每个模块的有用性：

△表 2：消融询查效用

效用标明，移除任何组件都会导致区域和宇宙任务的性能下落。最权臣的下削发出家生在移除宇宙 - 区域漫衍   ( 区域任务：10 天 RMSE 加多 0.22 ) 和月份镶嵌   ( 宇宙任务：10 天 RMSE 加多 0.13 ) 时，这阐述了每个组件在晋升 STCast 举座有用性方面的关节作用。

论断

在这项职责中，团队在 Spatial-Aligned Attention 模块中引入了自得当翔实力求，为区域预告提供动态规模条款。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，并将月度子任务寄予给专诚的行家。

因此，STCast 同期惩处了四个不同的挑战：低区别率宇宙预告、高区别率区域预告、极点事件评估和蚁合天气预告。履行和消融询查阐述，STCast 在扫数评估场景中都长久优于竞争才能。

论文流畅：https://arxiv.org/pdf/2509.25210v3

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

一键三连「点赞」「转发」「防备心」

接待在指摘区留住你的念念法！

—  完  —

咱们正在招聘别称眼疾手快、慈祥 AI 的学术编著实习生  � �

感意思意思的小伙伴接待慈祥 � �  了解笃定

� � 点亮星标 � �

科技前沿进展逐日见亚搏(中国)一站式服务官方网站