近日，揣摸机视觉畛域顶级外洋会议CVPR 2026公布了论文托福效果。本次会议共收到 16，092 篇投稿，最终托福 4，090 篇，举座托福率为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 施行室配合完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》奏效入选 CVPR 2026 Highlight Paper。

该职责提倡了一种全新的时空天气预告框架 STCast，通过自符合畛域对皆和本领混杂人人模子，在群众预告、区域预告、台风旅途瞻望和贴近预告四大任务上全面超过现存尺度，获得了SOTA 性能。

相干布景与动机

准确的公里级区域天气预告是一项具有潜入社会经济影响的重要科学挑战。现存的区域预告计策主要分为两类：

训导专用区域模子

忽略了瞄准确预告至关蹙迫的跨区域依赖关系

从群众预告中剪辑区域

受限于静态且不精准的区域畛域，泛化才智差

传统数值天气预告 ( NWP ) 尺度通过求解偏微分方程来处理畛域问题，但揣摸本钱极高。而现存的 AI 尺度频繁只使用相邻区域来界说畛域，这与老到的"大气 - 海洋 - 陆地 - 生物圈耦合表面"相矛盾——该表面标明，区域大气中的任何极少都受到通盘地球系统的影响。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变嫌东亚季风和北好意思巨流。

为了处理这些挑战，团队提倡了STCast 框架，它明确地模拟了地球系统中不停演变的群众 - 区域相关性。

三种区域预告计策对比

团队对比了三种主流的区域天气预告计策：

上图中，图 ( 1 ) 是三种区域预告计策暗意图：

( a ) 现存 AI 尺度：从群众预告中剪辑相邻区域，与区域变量沿途进行预告；

( b ) 从新径直训导：仅使用筹算区域的数据训导模子；

( c ) 团队的尺度 ( STCast ) ：通过散布密聚首合群众 - 区域模子进行预告。

图 ( 2 ) 是三种计策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，权贵优于径直训导和 OneForecast 尺度。这考据了团队的动态、地球感知畛域机制优于基于静态邻居的耦合尺度。

STCast 举座架构

STCast 是一个斡旋的时空天气预告框架，省略同期处理四大要害任务：

△图 2：STCast 举座架构图

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

( b ) 高鉴别率区域预告：通过 Spatial-Aligned Attention 模块和会群众和区域信息；

( c ) 台风旅途瞻望：行使瞻望的高鉴别率 MSL 来推断台风旅途；

( d ) 持久预告和贴近预告：通过注入 Perlin 噪声生成多个预告贴近。

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

中枢立异一：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，通过线性交叉肃肃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关系

指数距离衰减函数

启动化可学习的群众 - 区域散布，确保远距离区域的影响较弱

高效肃肃力机制

将揣摸复杂度从 O ( n ² ) 裁减到 O ( n )

通过这种面目，SAA 斥地了一个最优的群众 - 区域散布，金鼎娱乐最新官方网址该散布在训导进程中不停优化，省略捕捉群众和区域大气方法之间的潜在相关性。

中枢立异二：Temporal Mixture-of-Experts ( TMoE )

探究到大气变量在不同月份存在权贵各异，Temporal Mixture-of-Experts 将每个月的预告视为相对独处的任务，并使用混杂人人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：

闹翻高斯散布

为每个月学习一个高斯散布来走漏其本领特征

旋转对皆

将月份序列旋转对皆到输入变量，确保激活概率随本领距离单调递减

多人人激活

增强路由千般性，退避人人同质化

施行效果 1. 低鉴别率群众预告

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 等主流尺度进行了对比。

△  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弘扬出一致的优厚性，终点是在持久瞻望方面获得了权贵的普及。这获利于团队的月份特定训导计策，它省略灵验地捕捉大气系统中的季节依赖和月际变化。

2. 高鉴别率区域预告

△  图 5：东亚区域的高鉴别率预告施行：径直训导、OneForecast 和 STCast 尺度对比

在东亚区域的高鉴别率预告施行中，团队对比了径直训导、OneForecast 和 STCast 三种尺度。效果露出，已毕动态畛域条目的 STCast 比较径直训导的 STCast（无动态畛域）和 OneForecast，RMSE 裁减了 0.05，ACC 提高了 0.1。

3. 顶点事件评估：台风旅途瞻望

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

△图 6：台风旅途瞻望效果

效果露出，STCast 的 72 小时旅途预告与不雅测旅途的吻合度明显高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。终点是在台风银杏的持久瞻望中，STCast 的平均舛错仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融相干

团队进行了全面的消融相干来考据每个模块的灵验性：

△表 2：消融相干效果

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跌。最权贵的下跌发生在移除群众 - 区域散布   ( 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普及 STCast 举座灵验性方面的要害作用。

论断

在这项职责中，团队在 Spatial-Aligned Attention 模块中引入了自符合肃肃力求，为区域预告提供动态畛域条目。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成心的人人。

因此，STCast 同期处理了四个不同的挑战：低鉴别率群众预告、高鉴别率区域预告、顶点事件评估和贴近天气预告。施行和消融相干阐明，STCast 在通盘评估场景中都持久优于竞争尺度。

论文勾通：https://arxiv.org/pdf/2509.25210v3

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

一键三连「点赞」「转发」「防范心」

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、存眷 AI 的学术编订实习生  � �

感兴味的小伙伴接待存眷 � �  了解笃定

� � 点亮星标 � �

科技前沿进展逐日见金鼎娱乐(中国)棋牌