作者 | 論文團(tuán)隊(duì)

編輯丨ScienceAI

過去三年，數(shù)據(jù)驅(qū)動(dòng)的氣象預(yù)報(bào)實(shí)現(xiàn)了質(zhì)的飛躍 ——Pangu-Weather、Graphcast 等模型將全球 10 天預(yù)報(bào)的速度提升了上千倍。但當(dāng)我們?cè)噲D將精度從 0.25° 提升到公里級(jí)時(shí)，一個(gè)致命的瓶頸出現(xiàn)了：全球與區(qū)域預(yù)報(bào)的耦合難題。

現(xiàn)有三種主流方案均存在根本性缺陷：

• 直接訓(xùn)練公里級(jí)全球模型：1km 分辨率對(duì)應(yīng) 19980×39960 的網(wǎng)格，計(jì)算量呈指數(shù)級(jí)增長，現(xiàn)有硬件完全無法支撐
• 單獨(dú)訓(xùn)練區(qū)域模型：忽略大氣系統(tǒng)的跨區(qū)域關(guān)聯(lián)性，西伯利亞寒潮、厄爾尼諾等遠(yuǎn)距離影響完全無法捕捉
• 靜態(tài)鄰域拼接：無論是傳統(tǒng) NWP 的海綿層邊界，還是 OneForecast 等 AI 方法的固定鄰域裁剪，都被局部且僵化的邊界限制了性能

更反直覺的是，幾乎所有方法都違背了最基本的地球系統(tǒng)科學(xué)原理：任何區(qū)域的大氣狀態(tài)都受整個(gè)地球系統(tǒng)的影響。青藏高原的加熱可以同時(shí)改變東亞季風(fēng)和北美急流，北極海冰融化會(huì)引發(fā)全球極端天氣 —— 一個(gè)區(qū)域的「真實(shí)邊界」從來不是它的地理鄰居，而是整個(gè)地球。

針對(duì)這一核心挑戰(zhàn)，香港科技大學(xué) (HKUST) 郭嵩團(tuán)隊(duì)聯(lián)合上海 AILab白磊團(tuán)隊(duì)提出了 STCast (Spatial-Temporal Weather Forecasting) 框架，首次實(shí)現(xiàn)了動(dòng)態(tài)全球 - 區(qū)域邊界對(duì)齊和月度級(jí)時(shí)間專家分配，用一個(gè)統(tǒng)一模型同時(shí)解決四大核心氣象任務(wù)：低分辨率全球預(yù)報(bào)、高分辨率區(qū)域預(yù)報(bào)、臺(tái)風(fēng)路徑預(yù)測和集合預(yù)報(bào)。

論文鏈接：https://arxiv.org/pdf/2509.25210v3

代碼倉庫：https://github.com/chenhao-zju/STCast

STCast 的核心突破在于兩個(gè)創(chuàng)新模塊：

1.空間對(duì)齊注意力 (SAA)：用物理先驗(yàn)初始化全球 - 區(qū)域相關(guān)性分布，并在訓(xùn)練中動(dòng)態(tài)優(yōu)化邊界權(quán)重

2.時(shí)間混合專家 (TMoE)：基于離散高斯分布將不同月份的大氣數(shù)據(jù)路由到專屬專家，精準(zhǔn)捕捉季節(jié)性變化

圖 1：三種區(qū)域預(yù)報(bào)策略對(duì)比。(a) 傳統(tǒng) AI 方法從全球預(yù)報(bào)裁剪鄰域；(b) 直接訓(xùn)練區(qū)域模型；(c) STCast 通過可學(xué)習(xí)分布密集連接全球 - 區(qū)域模型。右圖定量結(jié)果顯示 STCast 在 RMSE 和 ACC 上全面領(lǐng)先

核心設(shè)計(jì)詳解

STCast 整體采用 Encoder-Processor-Decoder 架構(gòu)，Processor 通過交替使用窗口注意力和自注意力，同時(shí)捕捉局部精細(xì)結(jié)構(gòu)和全球長程依賴。在此基礎(chǔ)上，STCast創(chuàng)新性地引入了 SAA 和 TMoE 兩個(gè)核心模塊：

圖 2：STCast 整體架構(gòu)。(a) 全球低分辨率預(yù)報(bào)主結(jié)構(gòu)；(b) 高分辨率區(qū)域預(yù)報(bào)的 SAA 模塊；(c) 基于 MSL 的臺(tái)風(fēng)路徑預(yù)測；(d) 注入 Perlin 噪聲的長期和集合預(yù)報(bào)

1. Spatial-Aligned Attention (SAA)：讓邊界「跟著大氣流動(dòng)」

傳統(tǒng)方法將區(qū)域邊界視為固定的幾何邊界，而 SAA 將其定義為可學(xué)習(xí)的全球 - 區(qū)域相關(guān)性分布：

• 物理先驗(yàn)初始化：采用大圓距離(Great Circle Distance) 計(jì)算全球任意點(diǎn)到目標(biāo)區(qū)域的空間距離（比歐氏距離更符合地球球面特性），再通過指數(shù)距離衰減函數(shù)初始化相關(guān)性分布，保證遠(yuǎn)處區(qū)域的影響自然衰減
• 動(dòng)態(tài)邊界優(yōu)化：將初始化的先驗(yàn)分布與注意力圖做哈達(dá)瑪積，在訓(xùn)練過程中不斷調(diào)整權(quán)重，最終學(xué)習(xí)到最符合大氣動(dòng)力學(xué)規(guī)律的邊界
• 高效計(jì)算：采用線性注意力機(jī)制，將計(jì)算復(fù)雜度從 O (n2) 降至 O (n)，確保全球 - 區(qū)域耦合的計(jì)算開銷可控

圖 3：Spatial-Aligned Attention 模塊結(jié)構(gòu)。以全球特征為 Query 和 Key，區(qū)域特征為 Value，通過可學(xué)習(xí)的全球 - 區(qū)域分布調(diào)制注意力權(quán)重

2. Temporal Mixture-of-Experts (TMoE)：每個(gè)季節(jié)都有專屬預(yù)報(bào)專家

大氣系統(tǒng)具有極強(qiáng)的季節(jié)性差異，1 月的寒潮和 7 月的臺(tái)風(fēng)遵循完全不同的動(dòng)力學(xué)規(guī)律。TMoE 創(chuàng)新性地引入月度高斯先驗(yàn)，解決了傳統(tǒng) MoE 的專家同質(zhì)化問題：

• 為 12 個(gè)月份各學(xué)習(xí)一個(gè)離散高斯分布，峰值對(duì)應(yīng)該月份的專屬專家
• 輸入數(shù)據(jù)會(huì)根據(jù)月份激活對(duì)應(yīng)的專家及其相鄰專家，既保證了時(shí)間特異性，又保留了月份間的連續(xù)性
• 顯式的月度引導(dǎo)替代了傳統(tǒng) MoE 的隱式路由，無需額外輔助損失即可實(shí)現(xiàn)高效的專家分工

圖 4：Temporal Mixture-of-Experts 模塊結(jié)構(gòu)。通過月度嵌入和高斯分布引導(dǎo)專家路由，實(shí)現(xiàn)動(dòng)態(tài)任務(wù)分配

實(shí)驗(yàn)結(jié)果：四大任務(wù)全面刷新 SOTA

該研究在 ERA5 數(shù)據(jù)集上進(jìn)行了全面的實(shí)驗(yàn)驗(yàn)證，訓(xùn)練數(shù)據(jù)覆蓋 1979-2019 年共 40 年，使用 16 張 A100 GPU 訓(xùn)練 100 個(gè) epoch。

1. 全球低分辨率預(yù)報(bào)：長期預(yù)報(bào)優(yōu)勢顯著

在 6 小時(shí)到 10 天的所有預(yù)報(bào)時(shí)效上，STCast 的 RMSE 和 ACC 均優(yōu)于 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流模型，尤其在 7 天以上的長期預(yù)報(bào)中優(yōu)勢明顯：

表 1：全球天氣預(yù)報(bào)性能對(duì)比。RMSE 越小越好，ACC 越大越好，最佳結(jié)果加粗顯示

2. 高分辨率區(qū)域預(yù)報(bào)：誤差降低一個(gè)數(shù)量級(jí)

在東亞區(qū)域的高分辨率預(yù)報(bào)任務(wù)中，STCast 相比直接訓(xùn)練和 OneForecast 實(shí)現(xiàn)了質(zhì)的飛躍：

• RMSE 降低 0.05，ACC 提升 0.1
• 10m 風(fēng)速 (U10) 誤差僅 0.7%，海平面氣壓 (MSL) 誤差僅 0.1%，幾乎接近觀測值
• 能夠清晰捕捉鋒面、低壓系統(tǒng)等中小尺度天氣現(xiàn)象

3. 臺(tái)風(fēng)路徑預(yù)測：長期誤差降低 40%

該研究評(píng)估了 2024 年兩個(gè)典型臺(tái)風(fēng)事件：Ewiniar (5 月) 和 Yinxing (11 月)。結(jié)果顯示，STCast 在短期預(yù)報(bào)中與其他模型相當(dāng)，但在長期預(yù)報(bào)中優(yōu)勢顯著：

• 臺(tái)風(fēng) Yinxing 的 5 天平均路徑誤差僅 96.5km，比第二名 Pangu-Weather (160km) 低了近 40%
• 能夠準(zhǔn)確預(yù)測臺(tái)風(fēng)的轉(zhuǎn)向和強(qiáng)度變化，為防災(zāi)減災(zāi)提供更可靠的決策支持

圖 5：臺(tái)風(fēng)路徑預(yù)測對(duì)比。(a) 臺(tái)風(fēng) Ewiniar (2024.05)；(b) 臺(tái)風(fēng) Yinxing (2024.11)；(c) Yinxing 的 5 天平均距離誤差對(duì)比

4. 集合預(yù)報(bào)：提供更可靠的概率預(yù)報(bào)

通過在初始狀態(tài)注入 Perlin 噪聲并進(jìn)行 50 次集合模擬，STCast 的集合預(yù)報(bào)版本在所有時(shí)效上都顯著優(yōu)于基線模型，10 天 RMSE 低至 0.5113，能夠更準(zhǔn)確地量化預(yù)報(bào)不確定性。

消融實(shí)驗(yàn)：每個(gè)模塊都不可或缺

為了驗(yàn)證 SAA 和 TMoE 的有效性，該研究進(jìn)行了全面的消融實(shí)驗(yàn)：

表 2：消融實(shí)驗(yàn)結(jié)果。移除任何模塊都會(huì)導(dǎo)致性能顯著下降，其中全球 - 區(qū)域分布初始化和月度嵌入的影響最大

局限性與未來展望

美中不足

1.計(jì)算開銷：12 個(gè)專家的 TMoE 參數(shù)達(dá)到 654.8M，雖然比訓(xùn)練 12 個(gè)單月模型高效，但仍高于單模型方法

2.區(qū)域泛化性：目前僅在東亞區(qū)域進(jìn)行了驗(yàn)證，未來需要在北美、歐洲等不同氣候區(qū)測試

3.極端事件覆蓋：僅評(píng)估了臺(tái)風(fēng)，對(duì)暴雨、高溫、暴雪等其他極端天氣的表現(xiàn)還需進(jìn)一步驗(yàn)證

領(lǐng)域啟發(fā)

STCast 為 AI 氣象預(yù)報(bào)的發(fā)展指明了三個(gè)重要方向：

1.物理先驗(yàn)與數(shù)據(jù)驅(qū)動(dòng)的深度融合：用地球系統(tǒng)科學(xué)原理引導(dǎo)模型設(shè)計(jì)，比純數(shù)據(jù)驅(qū)動(dòng)更高效、更可靠

2.從「單任務(wù)」到「多任務(wù)統(tǒng)一」：一個(gè)模型解決多個(gè)氣象任務(wù)，既能共享知識(shí)，又能降低部署成本

3.從「靜態(tài)建模」到「動(dòng)態(tài)自適應(yīng)」：讓模型能夠根據(jù)空間位置和時(shí)間動(dòng)態(tài)調(diào)整自身結(jié)構(gòu)，更符合大氣系統(tǒng)的本質(zhì)特性

當(dāng)大多數(shù) AI 氣象模型還在比拼「誰能預(yù)報(bào)更久」時(shí)，STCast 已經(jīng)開始解決「如何讓預(yù)報(bào)更準(zhǔn)」的核心問題。這種從「能用」到「好用」的跨越，正是 AI 氣象預(yù)報(bào)真正走向業(yè)務(wù)化應(yīng)用的關(guān)鍵一步。

參考文獻(xiàn)

[1]Hao Chen, Tao Han, Jie Zhang, Song Guo, Lei Bai. STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting. CVPR 2026 (Highlight).