Het Verleggen van de Horizons van Neerslagverwachting op Korte Termijn via Spectrale Fusie van Radarwaarnemingen en A Priori-Kennis van Foundation-modellen

Samenvatting

Neerslagnowcasting is cruciaal voor rampenbestrijding en luchtvaartveiligheid. Radar-gebaseerde modellen kampen echter vaak met een gebrek aan grootschalige atmosferische context, wat leidt tot prestatievermindering bij langere voorspellingstermijnen. Hoewel de integratie van meteorologische variabelen voorspeld door weermodellen een mogelijke oplossing biedt, slagen bestaande architecturen er niet in de diepgaande representatieverschillen tussen radarbeelden en meteorologische gegevens te overbruggen. Om deze kloof te dichten, stellen wij PW-FouCast voor, een nieuw fusieraamwerk in het frequentiedomein dat Pangu-Weather-voorspellingen benut als spectrale prioriteiten binnen een op Fourier-gebaseerde backbone. Onze architectuur introduceert drie belangrijke innovaties: (i) Pangu-Weather-gestuurde Frequentiemodulatie om spectrale magnitudes en fasen af te stemmen op meteorologische prioriteiten; (ii) Frequentiegeheugen om faseafwijkingen te corrigeren en temporele evolutie te behouden; en (iii) Inverted Frequency Attention om hoogfrequente details te reconstrueren die typisch verloren gaan bij spectrale filtering. Uitgebreide experimenten op de SEVIR- en MeteoNet-benchmarks tonen aan dat PW-FouCast state-of-the-art prestaties bereikt, de betrouwbare voorspellingstermijn effectief verlengt en tegelijkertijd structurele getrouwheid behoudt. Onze code is beschikbaar op 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.