STCast：自適應邊界對齊，解鎖全球-區域一體化精準天氣預報

作者 | 論文團隊

編輯丨ScienceAI

過去三年，數據驅動的氣象預報實現了質的飛躍 ——Pangu-Weather、Graphcast 等模型將全球 10 天預報的速度提升了上千倍。但當我們試圖將精度從 0.25° 提升到公里級時，一個致命的瓶頸出現了：全球與區域預報的耦合難題。

現有三種主流方案均存在根本性缺陷：

• 直接訓練公里級全球模型：1km 分辨率對應 19980×39960 的網格，計算量呈指數級增長，現有硬件完全無法支撐
• 單獨訓練區域模型：忽略大氣系統的跨區域關聯性，西伯利亞寒潮、厄爾尼諾等遠距離影響完全無法捕捉
• 靜態鄰域拼接：無論是傳統 NWP 的海綿層邊界，還是 OneForecast 等 AI 方法的固定鄰域裁剪，都被局部且僵化的邊界限制了性能

更反直覺的是，幾乎所有方法都違背了最基本的地球系統科學原理：任何區域的大氣狀態都受整個地球系統的影響。青藏高原的加熱可以同時改變東亞季風和北美急流，北極海冰融化會引發全球極端天氣 —— 一個區域的「真實邊界」從來不是它的地理鄰居，而是整個地球。

針對這一核心挑戰，香港科技大學 (HKUST) 郭嵩團隊聯合上海 AILab白磊團隊提出了 STCast (Spatial-Temporal Weather Forecasting) 框架，首次實現了動態全球 - 區域邊界對齊和月度級時間專家分配，用一個統一模型同時解決四大核心氣象任務：低分辨率全球預報、高分辨率區域預報、臺風路徑預測和集合預報。

論文鏈接：https://arxiv.org/pdf/2509.25210v3

代碼倉庫：https://github.com/chenhao-zju/STCast

STCast 的核心突破在于兩個創新模塊：

1.空間對齊注意力 (SAA)：用物理先驗初始化全球 - 區域相關性分布，并在訓練中動態優化邊界權重

2.時間混合專家 (TMoE)：基于離散高斯分布將不同月份的大氣數據路由到專屬專家，精準捕捉季節性變化

圖 1：三種區域預報策略對比。(a) 傳統 AI 方法從全球預報裁剪鄰域；(b) 直接訓練區域模型；(c) STCast 通過可學習分布密集連接全球 - 區域模型。右圖定量結果顯示 STCast 在 RMSE 和 ACC 上全面領先

核心設計詳解

STCast 整體采用 Encoder-Processor-Decoder 架構，Processor 通過交替使用窗口注意力和自注意力，同時捕捉局部精細結構和全球長程依賴。在此基礎上，STCast創新性地引入了 SAA 和 TMoE 兩個核心模塊：

圖 2：STCast 整體架構。(a) 全球低分辨率預報主結構；(b) 高分辨率區域預報的 SAA 模塊；(c) 基于 MSL 的臺風路徑預測；(d) 注入 Perlin 噪聲的長期和集合預報

1. Spatial-Aligned Attention (SAA)：讓邊界「跟著大氣流動」

傳統方法將區域邊界視為固定的幾何邊界，而 SAA 將其定義為可學習的全球 - 區域相關性分布：

• 物理先驗初始化：采用大圓距離(Great Circle Distance) 計算全球任意點到目標區域的空間距離（比歐氏距離更符合地球球面特性），再通過指數距離衰減函數初始化相關性分布，保證遠處區域的影響自然衰減
• 動態邊界優化：將初始化的先驗分布與注意力圖做哈達瑪積，在訓練過程中不斷調整權重，最終學習到最符合大氣動力學規律的邊界
• 高效計算：采用線性注意力機制，將計算復雜度從 O (n2) 降至 O (n)，確保全球 - 區域耦合的計算開銷可控

圖 3：Spatial-Aligned Attention 模塊結構。以全球特征為 Query 和 Key，區域特征為 Value，通過可學習的全球 - 區域分布調制注意力權重

2. Temporal Mixture-of-Experts (TMoE)：每個季節都有專屬預報專家

大氣系統具有極強的季節性差異，1 月的寒潮和 7 月的臺風遵循完全不同的動力學規律。TMoE 創新性地引入月度高斯先驗，解決了傳統 MoE 的專家同質化問題：

• 為 12 個月份各學習一個離散高斯分布，峰值對應該月份的專屬專家
• 輸入數據會根據月份激活對應的專家及其相鄰專家，既保證了時間特異性，又保留了月份間的連續性
• 顯式的月度引導替代了傳統 MoE 的隱式路由，無需額外輔助損失即可實現高效的專家分工

圖 4：Temporal Mixture-of-Experts 模塊結構。通過月度嵌入和高斯分布引導專家路由，實現動態任務分配

實驗結果：四大任務全面刷新 SOTA

該研究在 ERA5 數據集上進行了全面的實驗驗證，訓練數據覆蓋 1979-2019 年共 40 年，使用 16 張 A100 GPU 訓練 100 個 epoch。

1. 全球低分辨率預報：長期預報優勢顯著

在 6 小時到 10 天的所有預報時效上，STCast 的 RMSE 和 ACC 均優于 Pangu-Weather、Graphcast、Fuxi 和 OneForecast 等主流模型，尤其在 7 天以上的長期預報中優勢明顯：

表 1：全球天氣預報性能對比。RMSE 越小越好，ACC 越大越好，最佳結果加粗顯示

2. 高分辨率區域預報：誤差降低一個數量級

在東亞區域的高分辨率預報任務中，STCast 相比直接訓練和 OneForecast 實現了質的飛躍：

• RMSE 降低 0.05，ACC 提升 0.1
• 10m 風速 (U10) 誤差僅 0.7%，海平面氣壓 (MSL) 誤差僅 0.1%，幾乎接近觀測值
• 能夠清晰捕捉鋒面、低壓系統等中小尺度天氣現象

3. 臺風路徑預測：長期誤差降低 40%

該研究評估了 2024 年兩個典型臺風事件：Ewiniar (5 月) 和 Yinxing (11 月)。結果顯示，STCast 在短期預報中與其他模型相當，但在長期預報中優勢顯著：

• 臺風 Yinxing 的 5 天平均路徑誤差僅 96.5km，比第二名 Pangu-Weather (160km) 低了近 40%
• 能夠準確預測臺風的轉向和強度變化，為防災減災提供更可靠的決策支持

圖 5：臺風路徑預測對比。(a) 臺風 Ewiniar (2024.05)；(b) 臺風 Yinxing (2024.11)；(c) Yinxing 的 5 天平均距離誤差對比

4. 集合預報：提供更可靠的概率預報

通過在初始狀態注入 Perlin 噪聲并進行 50 次集合模擬，STCast 的集合預報版本在所有時效上都顯著優于基線模型，10 天 RMSE 低至 0.5113，能夠更準確地量化預報不確定性。

消融實驗：每個模塊都不可或缺

為了驗證 SAA 和 TMoE 的有效性，該研究進行了全面的消融實驗：

表 2：消融實驗結果。移除任何模塊都會導致性能顯著下降，其中全球 - 區域分布初始化和月度嵌入的影響最大

局限性與未來展望

美中不足

1.計算開銷：12 個專家的 TMoE 參數達到 654.8M，雖然比訓練 12 個單月模型高效，但仍高于單模型方法

2.區域泛化性：目前僅在東亞區域進行了驗證，未來需要在北美、歐洲等不同氣候區測試

3.極端事件覆蓋：僅評估了臺風，對暴雨、高溫、暴雪等其他極端天氣的表現還需進一步驗證

領域啟發

STCast 為 AI 氣象預報的發展指明了三個重要方向：

1.物理先驗與數據驅動的深度融合：用地球系統科學原理引導模型設計，比純數據驅動更高效、更可靠

2.從「單任務」到「多任務統一」：一個模型解決多個氣象任務，既能共享知識，又能降低部署成本

3.從「靜態建模」到「動態自適應」：讓模型能夠根據空間位置和時間動態調整自身結構，更符合大氣系統的本質特性

當大多數 AI 氣象模型還在比拼「誰能預報更久」時，STCast 已經開始解決「如何讓預報更準」的核心問題。這種從「能用」到「好用」的跨越，正是 AI 氣象預報真正走向業務化應用的關鍵一步。

參考文獻

[1]Hao Chen, Tao Han, Jie Zhang, Song Guo, Lei Bai. STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting. CVPR 2026 (Highlight).