Erweiterung der Niederschlagsvorhersagehorizonte durch spektrale Fusion von Radarbeobachtungen und A-priori-Informationen aus Foundation Models
Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors
March 23, 2026
Autoren: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng
cs.AI
Zusammenfassung
Niederschlagsvorhersagen für die unmittelbare Zukunft sind entscheidend für die Katastrophenvorsorge und Flugsicherheit. Allerdings leiden rein auf Radardaten basierende Modelle häufig unter dem Fehlen eines großskaligen atmosphärischen Kontexts, was zu Leistungseinbußen bei längeren Vorhersagezeiträumen führt. Während die Integration von meteorologischen Variablen, die von Wetter-Foundation-Modellen vorhergesagt werden, eine mögliche Abhilfe bietet, scheitern bestehende Architekturen daran, die tiefgreifenden repräsentationalen Heterogenitäten zwischen Radaraufnahmen und meteorologischen Daten zu überbrücken. Um diese Lücke zu schließen, schlagen wir PW-FouCast vor, ein neuartiges Fusionsframework im Frequenzbereich, das Pangu-Weather-Vorhersagen als spektrale Priors innerhalb eines Fourier-basierten Backbones nutzt. Unsere Architektur führt drei Schlüsselinnovationen ein: (i) Pangu-Weather-gesteuerte Frequenzmodulation zur Ausrichtung der Spektralamplituden und -phasen an meteorologischen Priors; (ii) Frequenzgedächtnis zur Korrektur von Phasenabweichungen und Bewahrung der zeitlichen Entwicklung; und (iii) invertierte Frequenzaufmerksamkeit zur Rekonstruktion von hochfrequenten Details, die typischerweise bei der Spektralfilterung verloren gehen. Umfangreiche Experimente mit den SEVIR- und MeteoNet-Benchmarks zeigen, dass PW-FouCast state-of-the-art Leistung erzielt, den verlässlichen Vorhersagehorizont effektiv erweitert und dabei die strukturelle Treue beibehält. Unser Code ist verfügbar unter https://github.com/Onemissed/PW-FouCast.
English
Precipitation nowcasting is critical for disaster mitigation and aviation safety. However, radar-only models frequently suffer from a lack of large-scale atmospheric context, leading to performance degradation at longer lead times. While integrating meteorological variables predicted by weather foundation models offers a potential remedy, existing architectures fail to reconcile the profound representational heterogeneities between radar imagery and meteorological data. To bridge this gap, we propose PW-FouCast, a novel frequency-domain fusion framework that leverages Pangu-Weather forecasts as spectral priors within a Fourier-based backbone. Our architecture introduces three key innovations: (i) Pangu-Weather-guided Frequency Modulation to align spectral magnitudes and phases with meteorological priors; (ii) Frequency Memory to correct phase discrepancies and preserve temporal evolution; and (iii) Inverted Frequency Attention to reconstruct high-frequency details typically lost in spectral filtering. Extensive experiments on the SEVIR and MeteoNet benchmarks demonstrate that PW-FouCast achieves state-of-the-art performance, effectively extending the reliable forecast horizon while maintaining structural fidelity. Our code is available at https://github.com/Onemissed/PW-FouCast.