Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors

📄 arXiv: 2603.21768v1 📥 PDF

作者: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng

分类: cs.LG, cs.AI

发布日期: 2026-03-23

备注: Accepted by IJCNN 2026. Code is available at https://github.com/Onemissed/PW-FouCast

🔗 代码/项目: GITHUB

💡 一句话要点

PW-FouCast：通过雷达观测与气象大模型先验的频谱融合，扩展降水临近预报时效

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 降水临近预报 雷达观测 气象大模型 频谱融合 傅里叶变换

📋 核心要点

  1. 现有雷达降水临近预报模型缺乏大尺度大气背景信息，导致长时效预报性能下降，难以满足实际需求。
  2. PW-FouCast提出一种频域融合框架，利用盘古-天气预报作为频谱先验，弥合雷达图像和气象数据之间的表征异质性。
  3. 在SEVIR和MeteoNet基准测试中，PW-FouCast实现了SOTA性能，有效延长了可靠的预报时效，并保持了结构保真度。

📝 摘要（中文）

降水临近预报对于减灾和航空安全至关重要。然而，仅使用雷达数据的模型常常缺乏大尺度大气背景信息，导致在较长预报时效下性能下降。虽然整合天气基础模型预测的气象变量提供了一种潜在的补救措施，但现有架构无法调和雷达图像和气象数据之间深刻的表征异质性。为了弥合这一差距，我们提出PW-FouCast，一种新颖的频域融合框架，它利用盘古-天气预报作为基于傅里叶骨干网络的频谱先验。我们的架构引入了三个关键创新：(i) 盘古-天气引导的频率调制，以使频谱幅度和相位与气象先验对齐；(ii) 频率记忆，以校正相位差异并保持时间演化；(iii) 逆频率注意力，以重建通常在频谱滤波中丢失的高频细节。在SEVIR和MeteoNet基准上的大量实验表明，PW-FouCast实现了最先进的性能，有效地扩展了可靠的预报时效，同时保持了结构保真度。我们的代码可在https://github.com/Onemissed/PW-FouCast获取。

🔬 方法详解

问题定义：论文旨在解决降水临近预报中，仅依赖雷达数据模型因缺乏大尺度大气背景信息，导致长时效预报性能下降的问题。现有方法难以有效融合雷达图像和气象数据，因为它们之间存在显著的表征异质性，直接融合效果不佳。

核心思路：论文的核心思路是在频域中融合雷达观测和气象大模型（盘古-天气）的预测结果。通过将气象模型的预测作为频谱先验，引导雷达数据的频谱表示，从而弥合两种数据之间的表征差异。这种方法利用了频域表示的优势，可以更好地捕捉大气运动的全局信息，并有效地融合不同来源的数据。

技术框架：PW-FouCast的整体架构是一个基于傅里叶变换的编码器-解码器结构。首先，将雷达图像和盘古-天气预报分别进行傅里叶变换，得到它们的频谱表示。然后，通过盘古-天气引导的频率调制模块，将雷达数据的频谱幅度和相位与气象先验对齐。接着，使用频率记忆模块来校正相位差异并保持时间演化。最后，通过逆频率注意力模块重建高频细节，并通过傅里叶逆变换得到最终的降水预报结果。

关键创新：论文的关键创新在于以下三个方面：(1) 盘古-天气引导的频率调制：将气象模型的预测作为频谱先验，引导雷达数据的频谱表示，从而弥合两种数据之间的表征差异。(2) 频率记忆：通过记忆历史频谱信息，校正相位差异，保持时间演化的一致性。(3) 逆频率注意力：通过注意力机制，选择性地重建高频细节，提高预报的结构保真度。与现有方法相比，PW-FouCast能够在频域中有效地融合雷达数据和气象数据，从而提高长时效降水临近预报的性能。

关键设计：在盘古-天气引导的频率调制模块中，使用了可学习的权重来控制气象先验的影响程度。频率记忆模块采用循环神经网络（RNN）来建模时间序列信息。逆频率注意力模块使用Transformer结构来选择性地重建高频细节。损失函数包括均方误差（MSE）损失和结构相似性（SSIM）损失，以保证预报结果的准确性和结构保真度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

PW-FouCast在SEVIR和MeteoNet两个公开数据集上取得了显著的性能提升，超越了现有的SOTA模型。实验结果表明，该模型能够有效延长可靠的预报时效，并保持预报结果的结构保真度。具体性能数据在论文中详细展示，证明了该方法在降水临近预报领域的优越性。

🎯 应用场景

该研究成果可应用于更长时效的精准降水临近预报，为航空安全、灾害预警和城市内涝防治等领域提供更可靠的信息支持。通过融合雷达观测和气象大模型，有望提升极端天气事件的预报能力，降低其带来的社会经济损失，并为未来更精确的天气预报系统奠定基础。

📄 摘要（原文）

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.