近日营口泡沫板专用胶厂，计机视觉域顶会议CVPR 2026公布了论文录用结果。本次会议共收到 16,092 篇投稿，终录用 4,090 篇，整体录用率为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 实验室作完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》成功入选 CVPR 2026 Highlight Paper。

该工作提出了种全新的时空天气预报框架 STCast，通过自适应边界对齐和时间混模型，在全球预报、区域预报、台风路径预测和集预报四大任务上越现有法，取得了SOTA 能。

研究背景与动机

准确的公里区域天气预报是项具有远社会经济影响的重大科学挑战。现有的区域预报策略主要分为两类：

训练用区域模型

忽略了对准确预报至关重要的跨区域依赖关系

从全球预报中裁剪区域

受限于静态且不精确的区域边界，泛化能力差

传统数值天气预报 ( NWP ) 法通过求解偏微分程来处理边界问题，但计成本。而现有的 AI 法通常只使用相邻区域来定义边界，这与成熟的"大气 - 海洋 - 陆地 - 生物圈耦理论"相矛盾——该理论表明，区域大气中的任何点都受到整个地球系统的影响。例如，西伯利亚的寒潮可以引发东亚的寒潮，青藏原的地表加热可以同时改变东亚季风和北美急流。

为了解决这些挑战，团队提出了STCast 框架，它明确地模拟了地球系统中不断演变的全球 - 区域相关。

三种区域预报策略对比

团队对比了三种主流的区域天气预报策略：

上图中，图 ( 1 ) 是三种区域预报策略示意图：

( a ) 现有 AI 法：从全球预报中裁剪相邻区域，与区域变量起进行预报；

( b ) 从头直接训练：仅使用目标区域的数据训练模型；

( c ) 团队的法 ( STCast ) ：通过分布密集连接全球 - 区域模型进行预报。

图 ( 2 ) 是三种策略的区域预报能对比。

定量结果表明，STCast 在所有变量的平均 RMSE 和 ACC 上都取得了佳能，显著优于直接训练和 OneForecast 法。这验证了团队的动态、地球感知边界机制优于基于静态邻居的耦法。

STCast 整体架构

STCast 是个统的时空天气预报框架，能够同时处理四大关键任务：

△图 2：STCast 整体架构图

( a ) 低分辨率全球预报：包含编码器、处理器和解码器，集成了 Temporal MoE 模块；

( b ) 分辨率区域预报：通过 Spatial-Aligned Attention 模块融全球和区域信息；

( c ) 台风路径预测：利用预测的分辨率 MSL 来断台风路径；

( d ) 长期预报和集预报：通过注入 Perlin 噪声生成多个预报集。

STCast 的核心创新在于两个关键模块：Spatial-Aligned Attention ( SAA ) 和Temporal Mixture-of-Experts ( TMoE ) 营口泡沫板专用胶厂。

核心创新：Spatial-Aligned Attention ( SAA )

Spatial-Aligned Attention 模块将全局特征作为 Query 和 Key，将区域特征作为 Value，通过线交叉注意力动态耦全球和区域特征。

△图 3：Spatial-Aligned Attention 示意图

SAA 的关键机制包括：

大圆距离度量

准确地测量地球表面上的空间关系

奥力斯    万能胶厂家    联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

指数距离衰减函数

初始化可学习的全球 - 区域分布，确保远距离区域的影响较弱

注意力机制

将计复杂度从 O ( n ² ) 降低到 O ( n )

通过这种式，SAA 建立了个优的全球 - 区域分布，该分布在训练过程中不断优化，能够捕捉全球和区域大气模式之间的潜在相关。

核心创新二：Temporal Mixture-of-Experts ( TMoE )

考虑到大气变量在不同月份存在显著差异，Temporal Mixture-of-Experts 将每个月的预报视为相对立的任务，万能胶厂家并使用混模型来组织这些任务。

△  图 4：Temporal Mixture-of-Experts 示意图

TMoE 的关键机制包括：

离散斯分布

为每个月学习个斯分布来表示其时间特征

旋转对齐

将月份序列旋转对齐到输入变量，确保激活概率随时间距离单调递减

多激活

增强路由多样，止同质化

实验结果 1. 低分辨率全球预报

团队在 ERA5 数据集上评估了 STCast 的全球预报能，与 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流法进行了对比。

△  表 1：全球天气预报能对比

结果表明，STCast 在所有基准测试中都表现出致的优越，特别是在长期预测面取得了显著的提升。这得益于团队的月份特定训练策略，它能够有地捕捉大气系统中的季节依赖和月际变化。

2. 分辨率区域预报

△  图 5：东亚区域的分辨率预报实验：直接训练、OneForecast 和 STCast 法对比

在东亚区域的分辨率预报实验中，团队对比了直接训练、OneForecast 和 STCast 三种法。结果显示，实现动态边界条件的 STCast 相比直接训练的 STCast（动态边界）和 OneForecast，RMSE 降低了 0.05，ACC 提了 0.1。

3. 端事件评估：台风路径预测

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

△图 6：台风路径预测结果

结果显示，STCast 的 72 小时路径预报与观测路径的吻度明显于 ECMWF、FourCastNet、Pangu-Weather 和 FengWu。特别是在台风银杏的长期预测中，STCast 的平均误差仅为 96.5 公里，而次优的 Pangu-Weather 为 160 公里。

消融研究

团队进行了的消融研究来验证每个模块的有：

△表 2：消融研究结果

结果表明，移除任何组件都会致区域和全球任务的能下降。显著的下降发生在移除全球 - 区域分布   ( 区域任务：10 天 RMSE 增加 0.22 ) 和月份嵌入   ( 全球任务：10 天 RMSE 增加 0.13 ) 时，这证实了每个组件在提升 STCast 整体有面的关键作用。

结论

在这项工作中，团队在 Spatial-Aligned Attention 模块中引入了自适应注意力图，为区域预报提供动态边界条件。除了区域任务外，团队还将 Temporal Mixture-of-Experts 嵌入到时空预报框架 STCast 中，将天气预报视为个多任务问题，并将月度子任务委托给门的。

因此，STCast 同时解决了四个不同的挑战：低分辨率全球预报、分辨率区域预报、端事件评估和集天气预报。实验和消融研究证实，STCast 在所有评估场景中都始终优于竞争法。

论文链接：https://arxiv.org/pdf/2509.25210v3

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

键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘名眼疾手快、关注 AI 的学术编辑实习生  � �

感兴趣的小伙伴欢迎关注 � �  了解详情

� � 点亮星标 � �

科技前沿进展每日见

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定营口泡沫板专用胶厂，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。