通过雷达观测与基础模型先验的频谱融合扩展降水临近预报范围 Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors

方法步骤的完整描述包括：首先，模型接收T帧雷达观测序列$\{X_t\}_{t=-T+1}^0$和N个来自Pangu-Weather的气象预报$\{P_i\}_{i=1}^N$，通过预处理算子$R(\cdot)$对气象场进行空间重网格化和时间重采样，使其与雷达的形状和时序对齐。在PFM模块中，计算隐藏特征$F_{hid} = \mathcal{F}(H)$和嵌入气象场$F_{met} = \mathcal{F}(P_{emb})$之间的归一化内积$c_i = \frac{\langle F_{hid}^{(i)}, F_{met}^{(i)} \rangle}{|F_{hid}^{(i)}| |F_{met}^{(i)}|}$，取实部作为相似度分数，通过softmax生成通道级注意力图$w_i = \frac{\exp(s_i)}{\sum_{j=1}^{C_{emb}} \exp(s_j)}$，对隐藏特征幅度进行重新加权$\hat{A}_{hid}^{(i)} = w_i \odot A_{hid}^{(i)}$，然后通过可学习参数$\beta$插值隐藏和气象相位$\tilde{z}^{(i)} = \beta p(\Phi_{hid}^{(i)}) + (1-\beta)p(\Phi_{met}^{(i)})$，最终重新组合幅度和融合相位形成融合复系数$\hat{F}_{hid}^{(i)} = \hat{A}_{hid}^{(i)} \cdot p(\Phi_{fused}^{(i)})$。在FM模块的训练阶段，模型通过频域记忆编码器$E_{mem}(\cdot)$提取真实雷达序列$\{X_t\}_{t=1}^L$的时空特征并应用离散傅里叶变换得到真实频域特征$F_{GT} = \mathcal{F}(E_{mem}(\{X_t\}_{t=1}^L))$，将其归一化后存储在记忆库$M$中。在推理阶段，对输入序列$\{X_t\}_{t=-T+1}^0$进行编码和傅里叶变换得到$F_{input} = \mathcal{F}(E_{mem}(\{X_t\}_{t=-T+1}^0))$，通过AFNO块对齐通道维度，然后进行记忆匹配操作，计算归一化真实特征$\hat{F}_{GT}$与每个记忆槽$m_i$之间的复数内积得到原始相似度分数$s_{raw}^{(i)}(h,w)$，通过softmax转换为注意力权重$\alpha_i(h,w)$，最后通过注意力加权和生成匹配频域特征$F_{match}(h,w,d,r) = \sum_{i=1}^S \alpha(h,w,i) M^{(i,d,r)}$。FM-PA操作计算$F_{match}$与归一化隐藏频率特征$\hat{F}_{hid}$之间的实值相似度$sim = \Re(\frac{\hat{F}_{hid}^*}{|\hat{F}_{hid}|} \odot F_{match})$，将其转换为相位融合权重$w_{phase} = \frac{1}{2}(1-sim)$，然后将隐藏特征相位向匹配相位旋转$w_{phase}$比例的相位差$eF_{hid} = \hat{F}_{hid} \cdot \exp(j \cdot w_{phase} \cdot \Delta\Phi)$。在IFA模块中，标准频率注意力$F_{out} = W_{learned} \cdot F_{in}$会衰减小幅度系数，产生类似低通滤波的效果，因此通过$F_{high} = F_{in} - F_{out}$获得被丢弃的高频残差，然后通过可学习门控向量$w_{high} \in \mathbb{R}^{1 \times 1 \times C}$以受控方式重新注入高频细节$\hat{F}_{out} = F_{out} + w_{high} \odot F_{high}$。最后，解码器将处理后的频域表示转换回时空预测结果$\hat{X}_{1:K}$。

技术新颖性分析包括三个维度：首先是相位感知的频谱融合策略，这是首次将气象基础模型的预测作为频域先验用于降水临近预报，通过显式对齐和融合雷达与气象数据的幅度和相位信息，从根本上解决了跨模态异构性问题。其次是频率记忆机制，这是对现有视频预测记忆方法的改进，专门设计用于存储和检索频域相位特征，通过两阶段训练（存储阶段和匹配阶段）学习真实序列的频谱模式，并在推理时检索匹配模式来校正隐藏层相位，特别适合维护多种降水模式的细粒度结构变化。最后是反向频率注意力机制，这是对标准频率注意力的改进，通过残差重注入机制恢复在学习的频率注意力中衰减的高频分量，这对于保持尖锐的回波结构至关重要。与现有方法相比，PW-FouCast在频域中显式建模不同数据源之间的关系，而不是在空间域中通过简单的操作融合，这种相位感知的频谱融合策略能够更好地利用雷达观测和气象预报之间的共享表示。

独立分析的弱点包括：首先，模型对Pangu-Weather预测的依赖性较强，如果基础模型在特定区域或季节的预报质量下降，可能会严重影响PW-FouCast的性能。改进方向可以是集成多个基础模型的预测或引入不确定性估计，使模型能够在低质量预报场景下降低对气象先验的依赖。其次，频率记忆模块的两阶段训练增加了复杂性，且记忆库在推理阶段是固定的，无法根据新数据更新。改进方向可以是设计在线学习机制，使记忆库能够持续更新适应新的降水模式。第三，模型的频谱操作主要基于傅里叶变换，傅里叶变换假设信号是周期性的，对于非周期性降水场可能不是最佳表示。改进方向可以考虑使用小波变换或自适应频谱表示。第四，模型的融合策略主要依赖相位对齐，但对于幅度差异较大的情况可能不够鲁棒。改进方向可以引入幅度对齐机制或设计更复杂的频谱融合策略。第五，模型的评估主要基于统计指标（CSI、HSS、MSE、MAE、PSNR、SSIM），缺乏对实际应用场景（如灾害预警、航空安全）的直接评估。改进方向可以引入与具体应用相关的评估指标。

作者提出的未来工作包括整合额外的观测模态，如卫星图像，以进一步增强临近预报性能。基于本文成果可以延伸的研究方向包括：首先，将PW-FouCast扩展到其他气象预测任务，如风场预报、温度预报等，验证频域融合框架的普适性。其次，探索其他气象基础模型（如GFS、ECMWF AI模型）作为先验源，比较不同基础模型的效果。第三，设计更高效的频率记忆机制，如使用稀疏记忆或动态记忆分配，降低计算和存储成本。第四，研究跨区域泛化能力，特别是在数据稀缺地区的应用，可以通过迁移学习或域适应技术改进。第五，结合物理约束，如质量守恒方程、能量守恒方程，确保预测结果的物理一致性。第六，开发实时部署版本，优化推理速度以满足业务化应用需求。第七，探索可解释性方法，分析频域融合的决策过程，帮助气象学家理解模型预测的依据。第八，研究极端降水事件（如暴雨、台风）的专门预报策略，因为这些事件对灾害防控至关重要。

复现评估：作者已在GitHub上开源代码（https://github.com/Onemissed/PW-FouCast），这大大降低了复现难度。实验使用的SEVIR数据集包含2018-2019年的20,393个气象事件，其中2018年1月至2019年5月用于训练（10,776个样本），2019年6月至11月用于测试（4,053个样本）；MeteoNet数据集覆盖2016-2018年法国西北部550×550公里区域，实验构建了2018年子集，1月至8月为训练集（5,381个样本），9月至10月为测试集（1,027个样本）。所有模型接收5个输入帧（50分钟）并预测接下来的20帧（200分钟）。气象变量从预训练的Pangu-Weather模型推断，使用500、600、700和850 hPa的五个高空变量，裁剪到对应SEVIR或MeteoNet场景的纬度-经度边界框，在时间上线性插值以与雷达时间步对齐，空间重采样到模型隐藏层分辨率32×32。训练使用AdamW优化器，学习率为0.001，架构由四个卷积编码器-解码器模块组成，隐藏层深度$L=6$。所有实验在两个RTX 3090 GPU上进行。虽然数据集和计算资源相对容易获得，但Pangu-Weather模型的运行需要额外的环境配置，这可能会增加复现复杂性。总体而言，复现难度中等偏易，主要挑战在于配置Pangu-Weather环境和处理气象数据的预处理流程。