Élargissement des horizons de prévision immédiate des précipitations par fusion spectrale d'observations radar et d'a priori issus de modèles de fondation

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

March 23, 2026

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

cs.AI

Résumé

La prévision immédiate des précipitations est cruciale pour l'atténuation des catastrophes et la sécurité aérienne. Cependant, les modèles basés uniquement sur les radars souffrent fréquemment d'un manque de contexte atmosphérique à grande échelle, entraînant une dégradation des performances pour les échéances plus longues. Bien que l'intégration de variables météorologiques prédites par les modèles météorologiques de fondation offre une solution potentielle, les architectures existantes échouent à concilier les profondes hétérogénéités représentationnelles entre l'imagerie radar et les données météorologiques. Pour combler cette lacune, nous proposons PW-FouCast, un nouveau cadre de fusion dans le domaine fréquentiel qui exploite les prévisions de Pangu-Weather comme priors spectraux au sein d'une architecture basée sur Fourier. Notre architecture introduit trois innovations clés : (i) une Modulation Fréquentielle Guidée par Pangu-Weather pour aligner les magnitudes et phases spectrales avec les priors météorologiques ; (ii) une Mémoire Fréquentielle pour corriger les décalages de phase et préserver l'évolution temporelle ; et (iii) une Attention Fréquentielle Inversée pour reconstruire les détails haute fréquence typiquement perdus dans le filtrage spectral. Des expériences approfondies sur les benchmarks SEVIR et MeteoNet démontrent que PW-FouCast atteint des performances de pointe, étendant efficacement l'horizon de prévision fiable tout en préservant la fidélité structurelle. Notre code est disponible à l'adresse 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.