Extendiendo los Horizontes de la Predicción Inmediata de Precipitación mediante la Fusión Espectral de Observaciones de Radar y Priores de Modelos Fundacionales

Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors

March 23, 2026

Autores: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng

cs.AI

Resumen

La predicción inmediata de precipitación es crucial para la mitigación de desastres y la seguridad de la aviación. Sin embargo, los modelos basados únicamente en radar a menudo adolecen de una falta de contexto atmosférico a gran escala, lo que conduce a una degradación del rendimiento en horizontes de predicción más largos. Si bien la integración de variables meteorológicas pronosticadas por modelos fundacionales del clima ofrece una solución potencial, las arquitecturas existentes no logran reconciliar las profundas heterogeneidades representacionales entre las imágenes de radar y los datos meteorológicos. Para cerrar esta brecha, proponemos PW-FouCast, un novedoso marco de fusión en el dominio de la frecuencia que aprovecha los pronósticos de Pangu-Weather como priores espectrales dentro de una arquitectura basada en Fourier. Nuestra arquitectura introduce tres innovaciones clave: (i) Modulación de Frecuencia Guiada por Pangu-Weather para alinear las magnitudes y fases espectrales con los priores meteorológicos; (ii) Memoria de Frecuencia para corregir discrepancias de fase y preservar la evolución temporal; y (iii) Atención de Frecuencia Invertida para reconstruir detalles de alta frecuencia que normalmente se pierden en el filtrado espectral. Experimentos exhaustivos en los benchmarks SEVIR y MeteoNet demuestran que PW-FouCast logra un rendimiento de vanguardia, extendiendo efectivamente el horizonte de pronóstico confiable mientras mantiene la fidelidad estructural. Nuestro código está disponible en 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.