近日，规划机视觉鸿沟顶级国外会议CVPR 2026公布了论文托福恶果。本次会议共收到 16，092 篇投稿，最终托福 4，090 篇，全体托福率为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 推行室互助完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》成效入选 CVPR 2026 Highlight Paper。

该责任提议了一种全新的时空天气预告框架 STCast，通过自相宜鸿沟对王人和时候搀和各人模子，在各人预告、区域预告、台风旅途估量和聚积预告四大任务上全面高出现存技能，获得了SOTA 性能。

究诘配景与动机

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。现存的区域预告战术主要分为两类：

历练专用区域模子

忽略了瞄准确预告至关遑急的跨区域依赖计划

从各人预告中剪辑区域

受限于静态且不精准的区域鸿沟，泛化能力差

传统数值天气预告 ( NWP ) 技能通过求解偏微分方程来处理鸿沟问题，但规划资本极高。而现存的 AI 技能往往只使用相邻区域来界说鸿沟，这与熟习的"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量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发东亚的寒潮，青藏高原的地表加热不错同期蜕变东亚季风和北好意思大水。

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不断演变的各人 - 区域计划性。

三种区域预告战术对比

团队对比了三种主流的区域天气预告战术：

上图中，图 ( 1 ) 是三种区域预告战术暗示图：

( a ) 现存 AI 技能：从各人预告中剪辑相邻区域，与区域变量一王人进行预告；

( b ) 从新径直历练：仅使用主义区域的数据历练模子；

( c ) 团队的技能 ( STCast ) ：通过分散密集联接各人 - 区域模子进行预告。

图 ( 2 ) 是三种战术的区域预告性能对比。

定量恶果标明，STCast 在通盘变量的平均 RMSE 和 ACC 上都获得了最好性能，显赫优于径直历练和 OneForecast 技能。这考据了团队的动态、地球感知鸿沟机制优于基于静态邻居的耦合技能。

STCast 全体架构

STCast 是一个调和的时空天气预告框架，疏漏同期处理四大关节任务：

△图 2：STCast 全体架构图

( a ) 低分散率各人预告：包含编码器、处理器息争码器，集成了 Temporal MoE 模块；

( b ) 高分散率区域预告：通过 Spatial-Aligned Attention 模块交融各人和区域信息；

( c ) 台风旅途估量：诈欺估量的高分散率 MSL 来估计台风旅途；

( d ) 历久预告和聚积预告：通过注入 Perlin 噪声生成多个预告聚积。

STCast 的中枢立异在于两个关节模块：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，通过线性交叉瞩观念动态耦合各人和区域特征。

△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曲折洽

指数距离衰减函数

运振荡可学习的各人 - 区域分散，确保远距离区域的影响较弱

高效瞩观念机制

将规划复杂度从 O ( n ² ) 镌汰到 O ( n )

通过这种神气，SAA 竖立了一个最优的各人 - 区域分散，2026世界杯最新押注登录平台该分散在历练经由中不断优化，疏漏捕捉各人和区域大气方式之间的潜在计划性。

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

推敲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寂寞的任务，并使用搀和各人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：

闹翻高斯分散

为每个月学习一个高斯分散来线路那时候特征

旋转对王人

将月份序列旋转对王人到输入变量，确保激活概率随时候距离单调递减

多各人激活

增强路由各类性，贯注各人同质化

推行恶果 1. 低分散率各人预告

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 等主流技能进行了对比。

△  表 1：各人天气预告性能对比

恶果标明，STCast 在通盘基准测试中都弘扬出一致的优胜性，相配是在历久估量方面获得了显赫的擢升。这收获于团队的月份特定历练战术，它疏漏灵验地捕捉大气系统中的季节依赖和月际变化。

2. 高分散率区域预告

△  图 5：东亚区域的高分散率预告推行：径直历练、OneForecast 和 STCast 技能对比

在东亚区域的高分散率预告推行中，团队对比了径直历练、OneForecast 和 STCast 三种技能。恶果暴露，已矣动态鸿沟条款的 STCast 比拟径直历练的 STCast（无动态鸿沟）和 OneForecast，RMSE 镌汰了 0.05，ACC 提高了 0.1。

3. 顶点事件评估：台风旅途估量

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：台风旅途估量恶果

恶果暴露，STCast 的 72 小时旅途预告与不雅测旅途的吻合度显豁高于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。相配是在台风银杏的历久估量中，STCast 的平均罪戾仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融究诘

团队进行了全面的消融究诘来考据每个模块的灵验性：

△表 2：消融究诘恶果

恶果标明，移除任何组件都会导致区域和各人任务的性能下跌。最显赫的下跌发生在移除各人 - 区域分散   ( 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擢升 STCast 全体灵验性方面的关节作用。

论断

在这项责任中，团队在 Spatial-Aligned Attention 模块中引入了自相宜瞩观念图，为区域预告提供动态鸿沟条款。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，并将月度子任务奉求给有利的各人。

因此，STCast 同期管理了四个不同的挑战：低分散率各人预告、高分散率区域预告、顶点事件评估和聚积天气预告。推行和消融究诘阐明，STCast 在通盘评估场景中都永远优于竞争技能。

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」「防卫心」

迎接在挑剔区留住你的念念法！

—  完  —

咱们正在招聘别称眼疾手快、关心 AI 的学术编著实习生  � �

感兴味的小伙伴迎接关心 � �  了解笃定

� � 点亮星标 � �

科技前沿进展逐日见2026世界杯最新押注登录平台