近日，筹画机视觉范围顶级外洋会议CVPR 2026公布了论文托付成果。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 施行室吞并完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》顺利入选 CVPR 2026 Highlight Paper。

该使命提议了一种全新的时空天气预告框架 STCast，通过自稳健规模对皆和时辰混杂巨匠模子，在各人预告、区域预告、台风旅途展望和汇集预告四大任务上全面卓著现存步履，得到了SOTA 性能。

议论配景与动机

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

考试专用区域模子

忽略了瞄准确预告至关要紧的跨区域依赖关系

从各人预告中剪辑区域

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 ) 步履通过求解偏微分方程来处理规模问题，但筹画资本极高。而现存的 AI 步履时常只使用相邻区域来界说规模，这与熟悉的"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篡改东亚季风和北好意思巨流。

为了护士这些挑战，团队提议了STCast 框架，它明确地模拟了地球系统中禁止演变的各人 - 区域联系性。

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暴露图：

( a ) 现存 AI 步履：从各人预告中剪辑相邻区域，2026世界杯博亚体育(中国)官方授权平台与区域变量一齐进行预告；

( b ) 重新径直考试：仅使用主意区域的数据考试模子；

( c ) 团队的步履 ( STCast ) ：通过散播密集联接各人 - 区域模子进行预告。

图 ( 2 ) 是三种战略的区域预告性能对比。

定量成果标明，STCast 在所有变量的平均 RMSE 和 ACC 上都得到了最好性能，显赫优于径直考试和 OneForecast 步履。这考据了团队的动态、地球感知规模机制优于基于静态邻居的耦合步履。

STCast 举座架构

STCast 是一个调治的时空天气预告框架，大略同期处理四大关键任务：

△图 2：STCast 举座架构图

( a ) 低区别率各人预告：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 模块交融各人和区域信息；

( c ) 台风旅途展望：支配展望的高区别率 MSL 来计算台风旅途；

( d ) 耐久预告和汇集预告：通过注入 Perlin 噪声生成多个预告汇集。

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

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

Spatial-Aligned Attention 模块将全局特征当作 Query 和 Key，将区域特征当作 Value，通过线性交叉隆重力动态耦合各人和区域特征。

△图 3：Spatial-Aligned Attention 暴露图

SAA 的关键机制包括：

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

开动化可学习的各人 - 区域散播，确保远距离区域的影响较弱

高效隆重力机制

将筹画复杂度从 O ( n ² ) 镌汰到 O ( n )

通过这种神志，SAA 树立了一个最优的各人 - 区域散播，开云kaiyun(中国)该散播在考试经由中禁止优化，大略捕捉各人和区域大气花式之间的潜在联系性。

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

琢磨到大气变量在不同月份存在显赫各别，Temporal Mixture-of-Experts 将每个月的预告视为相对颓唐的任务，并使用混杂巨匠模子来组织这些任务。

△  图 4：Temporal Mixture-of-Experts 暴露图

TMoE 的关键机制包括：

翻脸高斯散播

为每个月学习一个高斯散播来暴露当时辰特征

旋转对皆

将月份序列旋转对皆到输入变量，确保激活概率随时辰距离单调递减

多巨匠激活

增强路由各样性，留意巨匠同质化

施行成果 1. 低区别率各人预告

团队在 ERA5 数据集上评估了 STCast 的各人预告性能，与 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流步履进行了对比。

△  表 1：各人天气预告性能对比

成果标明，STCast 在所有基准测试中都进展出一致的优胜性，相配是在耐久展望方面得到了显赫的耕种。这收获于团队的月份特定考试战略，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施行：径直考试、OneForecast 和 STCast 步履对比

在东亚区域的高区别率预告施行中，团队对比了径直考试、OneForecast 和 STCast 三种步履。成果清醒，完结动态规模要求的 STCast 比拟径直考试的 STCast（无动态规模）和 OneForecast，RMSE 镌汰了 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进展：2024 年 5 月的台风艾云尼 ( Ewiniar ) 和 2024 年 11 月的台风银杏   ( Yinxing ) 。

△图 6：台风旅途展望成果

成果清醒，STCast 的 72 小时旅途预告与不雅测旅途的吻合度昭着高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。相配是在台风银杏的耐久展望中，STCast 的平均瑕疵仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融议论

团队进行了全面的消融议论来考据每个模块的有用性：

△表 2：消融议论成果

成果标明，移除任何组件都会导致区域和各人任务的性能下落。最显赫的下削发削发生在移除各人 - 区域散播   ( 区域任务：10 天 RMSE 增多 0.22 ) 和月份镶嵌   ( 各人任务：10 天 RMSE 增多 0.13 ) 时，这阐明了每个组件在耕种 STCast 举座有用性方面的关键作用。

论断

在这项使命中，团队在 Spatial-Aligned Attention 模块中引入了自稳健隆重力求，为区域预告提供动态规模要求。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有利的巨匠。

因此，STCast 同期护士了四个不同的挑战：低区别率各人预告、高区别率区域预告、顶点事件评估和汇集天气预告。施行和消融议论阐明，STCast 在所有评估场景中都长久优于竞争步履。

论文联结：https://arxiv.org/pdf/2509.25210v3

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

一键三连「点赞」「转发」「小心心」

接待在批驳区留住你的念念法！

—  完  —

咱们正在招聘又名眼疾手快、温雅 AI 的学术编著实习生  � �

感有趣的小伙伴接待温雅 � �  了解细则

� � 点亮星标 � �

科技前沿进展逐日见开云kaiyun(中国)