論文の概要: Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors

• arxiv url: http://arxiv.org/abs/2603.21768v1
• Date: Mon, 23 Mar 2026 10:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.598652
• Title: Extending Precipitation Nowcasting Horizons via Spectral Fusion of Radar Observations and Foundation Model Priors
• Title（参考訳）: レーダー観測の分光核融合と基礎モデルによるホライズンズの降水抑制
• Authors: Yuze Qin, Qingyong Li, Zhiqing Guo, Wen Wang, Yan Liu, Yangli-ao Geng,
• Abstract要約: 降水の流し込みは、災害の軽減と航空安全に不可欠である。 既存のアーキテクチャでは、気象基盤モデルによって予測される気象変数をレーダー画像と気象データで再現することができない。 PW-FouCastはPangu-Weather予測をフーリエベースバックボーン内のスペクトル先行値として活用する新しい周波数領域融合フレームワークである。
• 参考スコア（独自算出の注目度）: 16.76624857766352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 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.
• Abstract（参考訳）: 降水の流し込みは、災害の軽減と航空安全に不可欠である。 しかし、レーダーのみのモデルはしばしば大規模な大気環境の欠如に悩まされ、長いリードタイムで性能が低下する。 気象基盤モデルによって予測される気象変数の統合は潜在的な治療を提供するが、既存のアーキテクチャはレーダー画像と気象データとの深い表現の不均一性を再現することができない。 このギャップを埋めるために、我々はPangu-Weather予測をフーリエベースのバックボーン内のスペクトル先行値として活用する新しい周波数領域融合フレームワークであるPW-FouCastを提案する。 私たちのアーキテクチャには3つの重要なイノベーションがあります。 一 スペクトル等級及び位相を気象学上の先行と整合させるパング・ウェザー誘導周波数変調 二 位相差を補正し、時相進化を保つための周波数記憶 三 スペクトルフィルタリングにおいて通常失われる高周波の詳細を復元するための逆周波数注意 SEVIRとMeteoNetベンチマークの大規模な実験は、PW-FouCastが最先端の性能を達成し、構造的忠実性を維持しつつ、信頼性の高い予測地平線を効果的に拡張することを示した。 私たちのコードはhttps://github.com/Onemissed/PW-FouCast.comで利用可能です。

関連論文リスト

• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Towards Non-Stationary Time Series Forecasting with Temporal Stabilization and Frequency Differencing [24.5925492214521]
  時系列はしばしば時間分布シフトやスペクトルの変動を含む非定常性を示す。 本稿では、時間領域と周波数領域の両方で非定常性に対処する二分岐フレームワークDTAFを提案する。
  論文  参考訳（メタデータ） (2025-11-11T13:30:38Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• OLMA: One Loss for More Accurate Time Series Forecasting [33.984606618724364]
  時系列予測は2つの重要な課題に直面するが、しばしば見過ごされる。 ニューラルネットワークは、時系列の状態空間をモデル化する際に周波数バイアスを示す。 本稿では,チャネルと時間次元の周波数領域変換を利用して予測を向上するOLMAという新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2025-05-16T09:17:15Z)
• DuoCast: Duo-Probabilistic Diffusion for Precipitation Nowcasting [16.518247609148972]
  DuoCastは、降水予測を潜在部分空間でモデル化された低周波成分と高周波成分に分解する、二重拡散フレームワークである。 4つのベンチマークレーダデータセットの実験によると、DuoCastは最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2024-12-02T03:57:53Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• DL-Corrector-Remapper: A grid-free bias-correction deep learning methodology for data-driven high-resolution global weather forecasting [11.334341754942917]
  我々はFourCastNet(FCN)の一様予測を補正し、再マップし、微調整する手法を開発した。 これは、数値天気予報(NWP)のバイアス補正と後処理に似ている 私たちはこのネットワークをDLCR(Deep-Learning-Corrector-Remapper)と呼ぶ。
  論文  参考訳（メタデータ） (2022-10-21T23:04:44Z)
• Deep Autoregressive Models with Spectral Attention [74.08846528440024]
  本稿では,深部自己回帰モデルとスペクトル注意(SA)モジュールを組み合わせた予測アーキテクチャを提案する。 時系列の埋め込みをランダムなプロセスの発生としてスペクトル領域に特徴付けることにより,グローバルな傾向と季節パターンを同定することができる。 時系列に対するグローバルとローカルの2つのスペクトルアテンションモデルは、この情報を予測の中に統合し、スペクトルフィルタリングを行い、時系列のノイズを除去する。
  論文  参考訳（メタデータ） (2021-07-13T11:08:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。