Расширение горизонтов краткосрочного прогнозирования осадков за счет спектрального слияния радиолокационных наблюдений и априорных данных базовой модели
Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors
March 23, 2026
Авторы: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng
cs.AI
Аннотация
Кратковременный прогноз осадков имеет критическое значение для снижения риска бедствий и безопасности авиации. Однако модели, основанные исключительно на данных радиолокационных наблюдений, часто страдают от отсутствия информации о крупномасштабном атмосферном контексте, что приводит к ухудшению их производительности на более длительных временах упреждения. Хотя интеграция метеорологических переменных, прогнозируемых фоновыми моделями погоды, предлагает потенциальное решение, существующие архитектуры не способны согласовать глубокую репрезентативную неоднородность между радиолокационными изображениями и метеорологическими данными. Для преодоления этого разрыва мы предлагаем PW-FouCast — новую фреймворк-архитектуру фьюжн в частотной области, которая использует прогнозы Pangu-Weather в качестве спектральных априорных данных в фурье-основе. Наша архитектура вводит три ключевых нововведения: (i) частотную модуляцию, управляемую Pangu-Weather, для согласования амплитуд и фаз спектра с метеорологическими априорными данными; (ii) частотную память для коррекции фазовых расхождений и сохранения временной эволюции; и (iii) инвертированное частотное внимание для восстановления высокочастотных деталей, обычно теряемых при спектральной фильтрации. Многочисленные эксперименты на наборах данных SEVIR и MeteoNet демонстрируют, что PW-FouCast достигает наилучшей производительности, эффективно расширяя надежный горизонт прогноза при сохранении структурной достоверности. Наш код доступен по адресу 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.