CVPR 2026 Highlight! HKUST & Shanghai AI Lab เสนอ STCast: การปรับแนวขอบเขตแบบปรับตัวเพื่อบรรลุ SOTA ในการพยากรณ์อากาศระดับโลก-ภูมิภาค

เมื่อเร็วๆ นี้ การประชุมวิชาการระดับสูงด้านคอมพิวเตอร์วิทัศน์ CVPR 2026 ได้ประกาศผลการตอบรับบทความอย่างเป็นทางการ ในการประชุมครั้งนี้ มีบทความส่งเข้าพิจารณาทั้งหมด 16,092 เรื่อง และได้รับการตอบรับ 4,090 เรื่อง คิดเป็นอัตราการตอบรับโดยรวม 25.42% โดยมีเพียงประมาณ 2.5% ของบทความเท่านั้นที่ได้รับคัดเลือกเป็น Highlight Paper

บทความ 《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》 ซึ่งเป็นผลงานร่วมกันระหว่างทีมของศาสตราจารย์ Guo Song (IEEE Fellow) จาก Hong Kong University of Science and Technology และ Shanghai Artificial Intelligence Laboratory ได้รับการคัดเลือกให้เป็น CVPR 2026 Highlight Paper

งานวิจัยนี้นำเสนอกรอบงานพยากรณ์อากาศเชิงพื้นที่-เวลาแบบใหม่ที่เรียกว่า STCast โดยการนำเสนอการจัดแนวขอบเขตแบบปรับตัวและแบบจำลองผู้เชี่ยวชาญผสมเชิงเวลา กรอบงานนี้สามารถเอาชนะวิธีการที่มีอยู่ได้อย่างสมบูรณ์ในสี่ภารกิจหลัก ได้แก่ การพยากรณ์ระดับโลก การพยากรณ์ระดับภูมิภาค การทำนายเส้นทางพายุไต้ฝุ่น และการพยากรณ์แบบรวมกลุ่ม โดยบรรลุ ประสิทธิภาพ SOTA

ความเป็นมาและแรงจูงใจในการวิจัย

การบรรลุการพยากรณ์อากาศระดับภูมิภาคที่มีความแม่นยำระดับกิโลเมตรถือเป็นความท้าทายทางวิทยาศาสตร์ครั้งใหญ่ที่มีผลกระทบทางเศรษฐกิจและสังคมอย่างลึกซึ้ง ปัจจุบัน กลยุทธ์การพยากรณ์ระดับภูมิภาคแบ่งออกเป็นสองประเภทหลัก:

1. การฝึกอบรมแบบจำลองระดับภูมิภาคโดยเฉพาะ: วิธีการประเภทนี้ละเลยการพึ่งพาข้ามภูมิภาคซึ่งมีความสำคัญต่อการพยากรณ์ที่แม่นยำ
2. การตัดพื้นที่จากพยากรณ์ระดับโลก: วิธีการนี้ถูกจำกัดด้วยขอบเขตภูมิภาคที่คงที่และไม่แม่นยำ ส่งผลให้ความสามารถในการสรุปทั่วไปต่ำ

การพยากรณ์อากาศเชิงตัวเลขแบบดั้งเดิม (NWP) จัดการปัญหาขอบเขตโดยการแก้สมการเชิงอนุพันธ์ย่อย แต่มีต้นทุนการคำนวณสูงมาก ในขณะที่วิธีการ AI ที่มีอยู่มักใช้เฉพาะพื้นที่ใกล้เคียงเพื่อกำหนดขอบเขต ซึ่งขัดแย้งกับ “ทฤษฎีการเชื่อมโยงบรรยากาศ-มหาสมุทร-พื้นดิน-ชีวมณฑล” ที่เป็นที่ยอมรับ ทฤษฎีนี้ชี้ให้เห็นว่าจุดใดๆ ในบรรยากาศระดับภูมิภาคได้รับผลกระทบจากทั้งระบบโลก ตัวอย่างเช่น คลื่นความเย็นจากไซบีเรียอาจทำให้เกิดคลื่นความเย็นในเอเชียตะวันออก ในขณะที่การให้ความร้อนที่พื้นผิวของที่ราบสูงทิเบตสามารถเปลี่ยนแปลงทั้งมรสุมเอเชียตะวันออกและกระแสลมกรดอเมริกาเหนือ

เพื่อรับมือกับความท้าทายเหล่านี้ ทีมวิจัยได้เสนอ กรอบงาน STCast ซึ่งสามารถจำลอง ความสัมพันธ์ระดับโลก-ภูมิภาค ที่เปลี่ยนแปลงตลอดเวลาในระบบโลกได้อย่างชัดเจน

การเปรียบเทียบกลยุทธ์การพยากรณ์ระดับภูมิภาคสามแบบ

ทีมวิจัยได้เปรียบเทียบกลยุทธ์การพยากรณ์อากาศระดับภูมิภาคที่ได้รับความนิยมสามแบบ:

รูปภาพด้านบน (1) แสดงแผนผังของกลยุทธ์การพยากรณ์ระดับภูมิภาคสามแบบ:
(a) วิธีการ AI ที่มีอยู่: ตัดพื้นที่ใกล้เคียงจากการพยากรณ์ระดับโลกและพยากรณ์ร่วมกับตัวแปรระดับภูมิภาค
(b) การฝึกอบรมโดยตรงตั้งแต่เริ่มต้น: ใช้เฉพาะข้อมูลของพื้นที่เป้าหมายในการฝึกอบรมแบบจำลอง
(c) วิธีการของทีม (STCast): เชื่อมต่อแบบจำลองระดับโลกและระดับภูมิภาคผ่านการเชื่อมต่อแบบกระจายหนาแน่นเพื่อการพยากรณ์

รูปภาพ (2) แสดงการเปรียบเทียบประสิทธิภาพการพยากรณ์ระดับภูมิภาคของทั้งสามกลยุทธ์

ผลลัพธ์เชิงปริมาณแสดงให้เห็นว่า STCast มีประสิทธิภาพดีที่สุดในตัวชี้วัด RMSE และ ACC เฉลี่ยของตัวแปรทั้งหมด โดยเหนือกว่าวิธีการฝึกอบรมโดยตรงและ OneForecast อย่างมีนัยสำคัญ ซึ่งยืนยันว่ากลไกขอบเขตแบบไดนามิกและรับรู้โลกที่ทีมเสนอนั้นเหนือกว่าวิธีการเชื่อมต่อตามเพื่อนบ้านคงที่

สถาปัตยกรรมโดยรวมของ STCast

STCast เป็นกรอบงานพยากรณ์อากาศเชิงพื้นที่-เวลาแบบรวมที่สามารถจัดการกับภารกิจหลักสี่ประการต่อไปนี้พร้อมกัน:

△ รูปที่ 2: แผนภาพสถาปัตยกรรมโดยรวมของ STCast

(a) การพยากรณ์ระดับโลกความละเอียดต่ำ: ประกอบด้วยตัวเข้ารหัส ตัวประมวลผล และตัวถอดรหัส พร้อมกับโมดูล Temporal MoE ในตัว
(b) การพยากรณ์ระดับภูมิภาคความละเอียดสูง: ผสานข้อมูลระดับโลกและระดับภูมิภาคผ่านโมดูล Spatial-Aligned Attention
(c) การทำนายเส้นทางพายุไต้ฝุ่น: ใช้ค่า MSL ความละเอียดสูงที่ทำนายไว้เพื่ออนุมานเส้นทางพายุไต้ฝุ่น
(d) การพยากรณ์ระยะยาวและการพยากรณ์แบบรวมกลุ่ม: สร้างชุดการพยากรณ์หลายชุดโดยการฉีดสัญญาณรบกวน Perlin

นวัตกรรมหลักของ STCast ปรากฏอยู่ในสองโมดูลสำคัญ: Spatial-Aligned Attention (SAA) และ Temporal Mixture-of-Experts (TMoE)

นวัตกรรมหลักที่หนึ่ง: Spatial-Aligned Attention (SAA)

โมดูล Spatial-Aligned Attention ใช้คุณลักษณะระดับโลกเป็น Query และ Key และคุณลักษณะระดับภูมิภาคเป็น Value โดยเชื่อมต่อคุณลักษณะระดับโลกและระดับภูมิภาคแบบไดนามิกผ่านกลไกความสนใจแบบไขว้เชิงเส้น

△ รูปที่ 3: แผนภาพ Spatial-Aligned Attention

กลไกสำคัญของ SAA ประกอบด้วย:

• การวัดระยะทางวงกลมใหญ่: วัดความสัมพันธ์เชิงพื้นที่บนพื้นผิวโลกได้แม่นยำยิ่งขึ้น
• ฟังก์ชันการลดทอนระยะทางแบบเลขชี้กำลัง: ใช้สำหรับเริ่มต้นการกระจายระดับโลก-ภูมิภาคที่เรียนรู้ได้ เพื่อให้แน่ใจว่าพื้นที่ห่างไกลมีอิทธิพลน้อย
• กลไกความสนใจที่มีประสิทธิภาพ: ลดความซับซ้อนในการคำนวณจาก O(n²) เหลือ O(n)

ด้วยวิธีนี้ SAA จะสร้างการกระจายระดับโลก-ภูมิภาคที่เหมาะสมที่สุด ซึ่งจะได้รับการปรับปรุงอย่างต่อเนื่องในระหว่างการฝึกอบรม และสามารถจับความสัมพันธ์แฝงระหว่างรูปแบบบรรยากาศระดับโลกและระดับภูมิภาค

นวัตกรรมหลักที่สอง: Temporal Mixture-of-Experts (TMoE)

เมื่อพิจารณาว่าตัวแปรบรรยากาศมีความแตกต่างอย่างมีนัยสำคัญในแต่ละเดือน Temporal Mixture-of-Experts ถือว่าการพยากรณ์ในแต่ละเดือนเป็นงานที่ค่อนข้างเป็นอิสระ และใช้แบบจำลองผู้เชี่ยวชาญผสมเพื่อจัดระเบียบงานเหล่านี้

△ รูปที่ 4: แผนภาพ Temporal Mixture-of-Experts

กลไกสำคัญของ TMoE ประกอบด้วย:

• การกระจายแบบเกาส์เซียนไม่ต่อเนื่อง: เรียนรู้การกระจายแบบเกาส์เซียนสำหรับแต่ละเดือนเพื่อแสดงคุณลักษณะเชิงเวลา
• การจัดตำแหน่งแบบหมุน: จัดตำแหน่งลำดับเดือนให้สอดคล้องกับตัวแปรอินพุตแบบหมุน เพื่อให้แน่ใจว่าความน่าจะเป็นในการเปิดใช้งานลดลงแบบโมโนโทนิกตามระยะทางเวลา
• การเปิดใช้งานผู้เชี่ยวชาญหลายคน: เพิ่มความหลากหลายของเส้นทาง ป้องกันการทำให้ผู้เชี่ยวชาญเป็นเนื้อเดียวกัน

ผลการทดลอง

1. การพยากรณ์ระดับโลกความละเอียดต่ำ

ทีมวิจัยประเมินประสิทธิภาพการพยากรณ์ระดับโลกของ STCast บนชุดข้อมูล ERA5 และเปรียบเทียบกับวิธีการหลัก เช่น Pangu-Weather, Graphcast, Fuxi และ OneForecast

△ ตารางที่ 1: การเปรียบเทียบประสิทธิภาพการพยากรณ์อากาศระดับโลก

ผลลัพธ์แสดงให้เห็นว่า STCast มีความเหนือกว่าอย่างสม่ำเสมอในการทดสอบเกณฑ์มาตรฐานทั้งหมด โดยเฉพาะอย่างยิ่งการปรับปรุงที่สำคัญในการพยากรณ์ระยะยาว ทั้งนี้เนื่องมาจากกลยุทธ์การฝึกอบรมเฉพาะเดือน ซึ่งสามารถจับการพึ่งพาตามฤดูกาลและการเปลี่ยนแปลงระหว่างเดือนในระบบบรรยากาศได้อย่างมีประสิทธิภาพ

2. การพยากรณ์ระดับภูมิภาคความละเอียดสูง

△ รูปที่ 5: การทดลองพยากรณ์ความละเอียดสูงในภูมิภาคเอเชียตะวันออก: การเปรียบเทียบวิธีการฝึกอบรมโดยตรง OneForecast และ STCast

ในการทดลองพยากรณ์ความละเอียดสูงในภูมิภาคเอเชียตะวันออก ทีมวิจัยเปรียบเทียบสามวิธี ได้แก่ การฝึกอบรมโดยตรง OneForecast และ STCast ผลลัพธ์แสดงให้เห็นว่า STCast ซึ่งใช้เงื่อนไขขอบเขตแบบไดนามิก มีค่า RMSE ลดลง 0.05 และค่า ACC เพิ่มขึ้น 0.1 เมื่อเทียบกับ STCast ที่ฝึกอบรมโดยตรง (ไม่มีขอบเขตแบบไดนามิก) และ OneForecast

3. การประเมินเหตุการณ์รุนแรง: การทำนายเส้นทางพายุไต้ฝุ่น

ทีมวิจัยประเมินประสิทธิภาพของ STCast กับเหตุการณ์พายุไต้ฝุ่นสองเหตุการณ์ล่าสุด: พายุไต้ฝุ่นเอวินิอาร์ (Ewiniar) ในเดือนพฤษภาคม 2024 และพายุไต้ฝุ่นหยินซิ่ง (Yinxing) ในเดือนพฤศจิกายน 2024

△ รูปที่ 6: ผลการทำนายเส้นทางพายุไต้ฝุ่น

ผลลัพธ์แสดงให้เห็นว่าการทำนายเส้นทาง 72 ชั่วโมงของ STCast สอดคล้องกับเส้นทางที่สังเกตได้สูงกว่าอย่างเห็นได้ชัดเมื่อเทียบกับ ECMWF, FourCastNet, Pangu-Weather และ FengWu โดยเฉพาะอย่างยิ่งในการพยากรณ์ระยะยาวของพายุไต้ฝุ่นหยินซิ่ง ค่าคลาดเคลื่อนเฉลี่ยของ STCast อยู่ที่เพียง 96.5 กิโลเมตร ในขณะที่ Pangu-Weather ซึ่งเป็นอันดับสองรองลงมาอยู่ที่ 160 กิโลเมตร

การศึกษาการตัดทอน

ทีมวิจัยได้ทำการศึกษาการตัดทอนอย่างครอบคลุมเพื่อตรวจสอบประสิทธิภาพของแต่ละโมดูล:

△ ตารางที่ 2: ผลการศึกษาการตัดทอน

ผลลัพธ์แสดงให้เห็นว่าการนำส่วนประกอบใดๆ ออกไปจะทำให้ประสิทธิภาพของงานระดับภูมิภาคและระดับโลกลดลง การลดลงที่สำคัญที่สุดเกิดขึ้นเมื่อนำการกระจายระดับโลก-ภูมิภาค (งานระดับภูมิภาค: RMSE 10 วันเพิ่มขึ้น 0.22) และการฝังเดือน (งานระดับโลก: RMSE 10 วันเพิ่มขึ้น 0.13) ออก ซึ่งยืนยันถึงบทบาทสำคัญของแต่ละส่วนประกอบในการเพิ่มประสิทธิภาพโดยรวมของ STCast

บทสรุป

ในงานนี้ ทีมวิจัยได้นำแผนที่ความสนใจแบบปรับตัวมาใช้ในโมดูล Spatial-Aligned Attention เพื่อให้เงื่อนไขขอบเขตแบบไดนามิกสำหรับการพยากรณ์ระดับภูมิภาค นอกเหนือจากงานระดับภูมิภาคแล้ว ทีมวิจัยยังได้ฝัง Temporal Mixture-of-Experts ลงในกรอบงานพยากรณ์เชิงพื้นที่-เวลา STCast โดยถือว่าการพยากรณ์อากาศเป็นปัญหาหลายงาน และมอบหมายงานย่อยรายเดือนให้กับผู้เชี่ยวชาญเฉพาะทาง

ดังนั้น STCast จึงจัดการกับความท้าทายที่แตกต่างกันสี่ประการพร้อมกัน: การพยากรณ์ระดับโลกความละเอียดต่ำ การพยากรณ์ระดับภูมิภาคความละเอียดสูง การประเมินเหตุการณ์รุนแรง และการพยากรณ์อากาศแบบรวมกลุ่ม การทดลองและการศึกษาการตัดทอนยืนยันว่า STCast มีประสิทธิภาพเหนือกว่าวิธีการแข่งขันอย่างสม่ำเสมอในทุกสถานการณ์การประเมิน

ที่อยู่บทความ: https://arxiv.org/pdf/2509.25210v3
คลังรหัส: https://github.com/chenhao-zju/STCast

กดไลค์ แชร์ และ点亮红心 (กดหัวใจ) สามครั้งติดต่อกัน!

ยินดีต้อนรับการแบ่งปันความคิดเห็นของคุณในส่วนความคิดเห็น!

— จบ —

เรากำลังรับสมัคร นักศึกษาฝึกงานบรรณาธิการวิชาการ ที่ละเอียดรอบคอบและรัก AI 🎓

ผู้ที่สนใจสามารถคลิก 👉 了解更多

🌟 点亮星标 (กดติดตาม) 🌟

รับความก้าวหน้าทางเทคโนโลยีล่าสุดทุกวัน