Extensão dos Horizontes de Previsão Imediata de Precipitação via Fusão Espectral de Observações de Radar e Prioridades de Modelos de Base

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

Resumo

A previsão imediata de precipitação é crucial para a mitigação de desastres e a segurança da aviação. No entanto, os modelos baseados apenas em radar frequentemente sofrem com a falta de contexto atmosférico em larga escala, levando à degradação do desempenho em prazos mais longos. Embora a integração de variáveis meteorológicas previstas por modelos de base (foundation models) ofereça um potencial remédio, as arquiteturas existentes não conseguem reconciliar as profundas heterogeneidades representacionais entre imagens de radar e dados meteorológicos. Para preencher esta lacuna, propomos o PW-FouCast, uma nova estrutura de fusão no domínio da frequência que aproveita as previsões do Pangu-Weather como priores espectrais dentro de uma estrutura baseada em Fourier. Nossa arquitetura introduz três inovações principais: (i) Modulação de Frequência Guiada pelo Pangu-Weather para alinhar magnitudes e fases espectrais com os priores meteorológicos; (ii) Memória de Frequência para corrigir discrepâncias de fase e preservar a evolução temporal; e (iii) Atenção de Frequência Invertida para reconstruir detalhes de alta frequência tipicamente perdidos na filtragem espectral. Experimentos extensos nos benchmarks SEVIR e MeteoNet demonstram que o PW-FouCast alcança desempenho de última geração, estendendo efetivamente o horizonte de previsão confiável enquanto mantém a fidelidade estrutural. Nosso código está disponível em 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.