레이더 관측과 기초 모델 사전 정보의 스펙트럼 융합을 통한 강수 단기 예측 예보 기간 확장

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

March 23, 2026

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

cs.AI

초록

강수 단기 예측은 재해 경감과 항공 안전에 있어 핵심적인 역할을 수행합니다. 그러나 레이더 단독 모델은 대규모 대기 환경 정보의 부재로 인해 예측 시간이 길어질수록 성능이 저하되는 문제를 자주 겪습니다. 기상 기반 모델이 예측한 기상 변수를 통합하면 이러한 문제를 해결할 가능성이 있지만, 기존 아키텍처는 레이더 영상과 기상 데이터 간의 심각한 표현적 이질성을 조화롭게 통합하지 못합니다. 이러한 격차를 해소하기 위해 우리는 푸리에 기반 백본 내에서 Pangu-Weather 예측을 스펙트럼 사전 정보로 활용하는 새로운 주파수 영역 융합 프레임워크인 PW-FouCast를 제안합니다. 우리의 아키텍처는 세 가지 핵심 혁신을 도입합니다: (i) 기상 사전 정보와 스펙트럼 크기 및 위상을 정렬하는 Pangu-Weather 주도 주파수 변조, (ii) 위상 불일치를 보정하고 시간적 변화를 보존하는 주파수 메모리, (iii) 스펙트럼 필터링에서 일반적으로 소실되는 고주파 세부 정보를 복원하는 반전 주파수 어텐션. SEVIR 및 MeteoNet 벤치마크에서 진행한 폭넓은 실험을 통해 PW-FouCast가 구조적 정확도를 유지하면서 신뢰할 수 있는 예측 시간을 효과적으로 확장하여 최첨단 성능을 달성함을 입증했습니다. 우리의 코드는 https://github.com/Onemissed/PW-FouCast에서 확인할 수 있습니다.

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.