突破！香港科大团队用Attention+MoE实现公里级天气预报，全面刷新SOTA｜CVPR 2026 Highlight

导语：香港科大团队提出STCast，用Attention和MoE攻克公里级天气预报，在CVPR 2026上斩获Highlight，四大任务全面领先。

近日，计算机视觉顶级会议CVPR 2026公布了论文录用结果，其中香港科技大学郭嵩院士（IEEE Fellow）团队与上海AI实验室合作的论文《STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting》成功入选Highlight Paper。该工作提出了一种全新的时空天气预报框架STCast，通过自适应边界对齐和时间混合专家模型，在全球预报、区域预报、台风路径预测和集合预报四大任务上全面超越现有方法，取得SOTA性能。

区域天气预报的挑战

准确的公里级区域天气预报具有深远的社会经济影响，但传统方法存在局限。现有区域预报策略主要分为两类：一是训练专用区域模型，但忽略跨区域依赖关系；二是从全球预报中裁剪区域，受限于静态边界导致泛化能力差。传统数值天气预报（NWP）通过求解偏微分方程处理边界，但计算成本极高。而现有AI方法通常只使用相邻区域定义边界，与“大气-海洋-陆地-生物圈耦合理论”相矛盾——该理论表明区域大气任何一点都受整个地球系统影响，例如西伯利亚寒潮可引发东亚寒潮，青藏高原地表加热同时改变东亚季风和北美急流。

三种区域预报策略对比

团队对比了三种主流策略：现有AI方法（从全球预报中裁剪相邻区域）、从头直接训练（仅用目标区域数据）、以及STCast（通过分布密集连接全球-区域模型）。定量结果显示，STCast在所有变量的平均RMSE和ACC上均取得最佳性能，显著优于直接训练和OneForecast方法，验证了动态、地球感知边界机制的优势。

三种区域预报策略对比图

STCast整体架构

STCast是一个统一的时空天气预报框架，能够同时处理四大关键任务：低分辨率全球预报、高分辨率区域预报、台风路径预测、长期预报和集合预报。其核心创新在于两个关键模块：Spatial-Aligned Attention（SAA）和Temporal Mixture-of-Experts（TMoE）。

STCast整体架构图

核心创新一：Spatial-Aligned Attention (SAA)

SAA模块将全局特征作为Query和Key，区域特征作为Value，通过线性交叉注意力动态耦合全球和区域特征。关键机制包括：大圆距离度量更准确测量地球表面空间关系；指数距离衰减函数初始化全球-区域分布，确保远距离区域影响较弱；高效注意力机制将计算复杂度从O(n²)降至O(n)。通过这种方式，SAA建立了一个在训练过程中不断优化的全球-区域分布，能捕捉全球和区域大气模式的潜在相关性。

SAA模块示意图

核心创新二：Temporal Mixture-of-Experts (TMoE)

考虑到大气变量在不同月份存在显著差异，TMoE将每个月的预报视为独立任务，并用混合专家模型组织这些任务。关键机制包括：离散高斯分布为每个月学习一个高斯分布表示时间特征；旋转对齐将月份序列对齐到输入变量，确保激活概率随距离单调递减；多专家激活增强路由多样性，防止专家同质化。

TMoE模块示意图

实验结果全面领先

低分辨率全球预报

在ERA5数据集上，STCast与Pangu-Weather、Graphcast、Fuxi和OneForecast等对比，在所有基准测试中表现一致优越，特别是在长期预测方面提升显著，得益于月份特定训练策略对季节依赖和月际变化的捕捉。

高分辨率区域预报

在东亚区域实验中，实现动态边界条件的STCast相比直接训练（无动态边界）和OneForecast，RMSE降低0.05，ACC提高0.1。

极端事件评估：台风路径预测

团队评估了2024年台风艾云尼（Ewiniar）和银杏（Yinxing）。STCast的72小时路径预报与观测吻合度明显高于ECMWF、FourCastNet、Pangu-Weather和FengWu。特别是在银杏的长期预测中，STCast平均误差仅为96.5公里，而次优的Pangu-Weather为160公里。