Estensione degli Orizzonti di Nowcasting delle Precipitazioni tramite Fusione Spettrale di Osservazioni Radar e Informazioni A Priori da Modelli Fondamentali
Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors
March 23, 2026
Autori: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng
cs.AI
Abstract
La previsione immediata delle precipitazioni è fondamentale per la mitigazione dei disastri e la sicurezza aeronautica. Tuttavia, i modelli basati esclusivamente sui radar soffrono spesso della mancanza di un contesto atmosferico su larga scala, portando a un degrado delle prestazioni per previsioni a più lungo termine. Sebbene l'integrazione di variabili meteorologiche previste da modelli meteorologici fondazionali offra una potenziale soluzione, le architetture esistenti non riescono a conciliare le profonde eterogeneità rappresentative tra le immagini radar e i dati meteorologici. Per colmare questa lacuna, proponiamo PW-FouCast, un innovativo framework di fusione nel dominio della frequenza che utilizza le previsioni di Pangu-Weather come prior spettrali all'interno di un'architettura basata su Fourier. La nostra architettura introduce tre innovazioni chiave: (i) una Modulazione di Frequenza Guidata da Pangu-Weather per allineare magnitudini e fasi spettrali con i prior meteorologici; (ii) una Memoria di Frequenza per correggere le discrepanze di fase e preservare l'evoluzione temporale; e (iii) un'Attenzione di Frequenza Invertita per ricostruire i dettagli ad alta frequenza tipicamente persi nel filtraggio spettrale. Esperimenti estensivi sui benchmark SEVIR e MeteoNet dimostrano che PW-FouCast raggiunge prestazioni all'avanguardia, estendendo efficacemente l'orizzonte previsivo affidabile mantenendo al contempo la fedeltà strutturale. Il nostro codice è disponibile all'indirizzo 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.