CVPR 2026 Highlight！港科大&上海AI Lab提出STCast：自适应边界对齐实现全球-区域天气预报SOTA

近日，计算机视觉领域的顶级学术会议CVPR 2026 正式公开了论文录用结果。本届大会共收到16,092篇投稿，最终有4,090篇被接收，整体录用率为25.42% 。其中，仅有约2.5% 的论文被评选为Highlight Paper。

来自香港科技大学郭嵩院士（IEEE Fellow）团队与上海人工智能实验室联合完成的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》 成功入选CVPR 2026 Highlight Paper。

该研究提出了一种全新的时空天气预报框架STCast。通过引入自适应边界对齐与时间混合专家模型，该框架在全球预报、区域预报、台风路径预测以及集合预报四大任务上全面超越了现有方法，达到了SOTA性能。

研究背景与动机

实现公里级精度的区域天气预报，是一项具有深远社会经济影响的重大科学挑战。当前，区域预报策略主要分为两大类：

1. 训练专用的区域模型：这类方法忽略了对准确预报至关重要的跨区域依赖关系。
2. 从全球预报中裁剪区域：该方法受限于静态且不精确的区域边界，导致泛化能力较差。

传统数值天气预报（NWP）通过求解偏微分方程来处理边界问题，但其计算成本极高。而现有的AI方法通常仅使用相邻区域来定义边界，这与成熟的“大气-海洋-陆地-生物圈耦合理论”相矛盾。该理论指出，区域大气中的任意一点都受到整个地球系统的影响。例如，西伯利亚的寒潮可能引发东亚的寒潮，而青藏高原的地表加热则能同时改变东亚季风和北美急流。

为应对这些挑战，研究团队提出了STCast框架，该框架能够明确模拟地球系统中不断演变的全球-区域相关性。

三种区域预报策略对比

团队对三种主流的区域天气预报策略进行了对比：

上图(1)展示了三种区域预报策略的示意图：
(a) 现有AI方法：从全球预报中裁剪出相邻区域，并与区域变量一同进行预报；
(b) 从头直接训练：仅使用目标区域的数据来训练模型；
(c) 团队的方法(STCast)：通过分布密集连接的方式，耦合全球与区域模型进行预报。

图(2)展示了三种策略的区域预报性能对比。

定量结果表明，STCast在所有变量的平均RMSE和ACC指标上均取得了最佳性能，显著优于直接训练和OneForecast方法。这证实了团队提出的动态、地球感知边界机制，优于基于静态邻居的耦合方法。

STCast整体架构

STCast是一个统一的时空天气预报框架，能够同时处理以下四大关键任务：

△ 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，并集成了Temporal MoE模块；
(b) 高分辨率区域预报：通过Spatial-Aligned Attention模块融合全球与区域信息；
(c) 台风路径预测：利用预测的高分辨率MSL来推断台风路径；
(d) 长期预报和集合预报：通过注入Perlin噪声生成多个预报集合。

STCast的核心创新体现在两个关键模块上：Spatial-Aligned Attention (SAA) 和Temporal Mixture-of-Experts (TMoE)。

核心创新一：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，通过线性交叉注意力机制动态地耦合全球与区域特征。

△ 图3：Spatial-Aligned Attention示意图

SAA的关键机制包括：

• 大圆距离度量：更准确地测量地球表面上的空间关系。
• 指数距离衰减函数：用于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。
• 高效注意力机制：将计算复杂度从O(n²)降低到O(n)。

通过这种方式，SAA建立了一个最优的全球-区域分布，该分布在训练过程中不断优化，能够捕捉全球与区域大气模式之间的潜在相关性。

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一个相对独立的任务，并使用混合专家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：

• 离散高斯分布：为每个月学习一个高斯分布，用以表示其时间特征。
• 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的距离单调递减。
• 多专家激活：增强路由的多样性，防止专家同质化。

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的全球预报性能，并与Pangu-Weather、Graphcast、Fuxi和OneForecast等主流方法进行了对比。

△ 表1：全球天气预报性能对比

结果表明，STCast在所有基准测试中都表现出了一致的优越性，尤其在长期预测方面取得了显著提升。这得益于其月份特定的训练策略，该策略能够有效捕捉大气系统中的季节依赖和月际变化。

2. 高分辨率区域预报

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

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

3. 极端事件评估：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合度明显高于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则为160公里。

消融研究

团队进行了全面的消融研究，以验证每个模块的有效性：

△ 表2：消融研究结果

结果表明，移除任何组件都会导致区域和全球任务的性能下降。最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整体有效性方面的关键作用。

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，为区域预报提供了动态的边界条件。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，将天气预报视为一个多任务问题，并将月度子任务委托给专门的专家。

因此，STCast同时解决了四个不同的挑战：低分辨率全球预报、高分辨率区域预报、极端事件评估以及集合天气预报。实验和消融研究证实，STCast在所有评估场景中均始终优于竞争方法。

论文地址：https://arxiv.org/pdf/2509.25210v3
代码仓库：https://github.com/chenhao-zju/STCast