WxFM-XL 用频率分带误差相关图与动态融合适配单变量基础模型，在16个多站天气预报设置中全部取得最优MSE

提出把单变量时间序列基础模型适配到多站天气预报的框架：先对基础模型预报做频域分解，再按频带构建误差相关先验图，并用门控动态融合静态空间相关图，得到频率感知的动态融合先验图。 此前的多变量扩展（如AdaPTS、Timer-XL）把站点当作普通变量，主要建模变量间相关，未显式建模站点空间信息与站点相对基础模型的误差先验；该工作把这两类信息分别作为静态与动态先验显式建模并融合。 论文给出频域分解、误差相关图（Pearson相关、保留最大正相关邻居、对称化、自环置一）、空间图（标准化经纬高、高斯核、中位非零距离、k近邻）与门控融合的完整公式，并在附录A.1给出可精确重构原预报的共轭对称掩码分解。

设计轻量图残差适配器：在冻结基础模型的前提下，对每个频带用多尺度时间分块嵌入、图归一化与传播、Time Attention加MLP的时间细化、分块反嵌入与样本相关的尺度加权融合，输出残差修正。 与微调基础模型主干或使用通用多变量适配器不同，该方法只训练适配器参数，保留基础模型的强时间先验，同时注入站点空间信息与站点误差先验。 训练目标为最终预报MSE与各频带能量归一化RMSE的组合，以避免高能量低频分量压制中高频梯度；附录A.4给出在线复杂度与激活内存随站点数线性增长，避免稠密空间注意力的二次依赖。

在湖南、法国MeteoNet与全球三个逐小时站点数据集上，16个数据集-变量-预测步长设置中WxFM-XL变体全部取得最优MSE，其中WxFM-XL (Timer) 在9个设置中第一、WxFM-XL (Sundial) 在其余7个设置中第一，且两个变体均优于各自冻结主干。 相对STELLA、CDPNet、MSGNet、Corrformer等任务专用模型以及Timer-XL、Moirai、AdaPTS等基础模型扩展，该适配方式在跨区域、跨变量、跨预测步长上表现更一致。 结果基于三个随机种子（2021、2022、2023）的均值与样本标准差；Timer与Timer-XL为确定性推理，Sundial与Moirai在报告精度下波动可忽略故未列标准差；全球数据集变量经10倍缩放后MSE除以100、MAE除以10再报告。

消融与图结构可视化支持各组件互补：去掉频域分解、误差相关先验图或多尺度时间模块均使MSE上升；误差先验图的边距离分布比空间图尾部更重，且与空间图的Pearson相关从低频到高频递减。 这为“单一静态空间图不足以刻画跨频带误差依赖、需要动态融合”提供了直接的结构性证据，而不仅是端到端指标提升。 消融在湖南与法国区域数据集上进行，报告MSE与MAE两套结果；可视化比较边距离加权ECDF、结构相关性与加权边重叠（加权Jaccard指数）。

该结果面向具有固定地理坐标的站点型逐小时气象要素预报，适用于区域（湖南、法国西北部）与全球尺度的温度与风场变量，预测步长为24与96小时，输入窗口固定以适配Timer。方法以冻结的Timer或Sundial为主干，训练时只更新适配器、分块投影、图门控、融合因子、时间模块与尺度打分器，因此其收益建立在所选基础模型已有较强单变量时间先验之上。误差相关先验图在训练集上离线构建，验证集与测试集目标不参与构图，这使其适用于可提前获得训练期预报误差的场景。论文将变量间依赖留作未来工作，当前框架按单变量逐一处理。

误差相关先验图依赖训练集上基础模型的预报误差，当基础模型或预报设置改变时需要重新构建，其在新模型或新区域上的稳定性仍需观察。论文报告的是MSE与MAE等点预报指标，未涉及概率预报或极端事件评估。消融在湖南与法国两个区域数据集上进行，全球数据集未纳入消融。可视化结论基于边距离分布、结构相关性与加权边重叠等图统计量，其与预报增益之间的定量联系仍属开放问题。此外，正文中部分数值（如法国风场相对最强任务专用基线的MSE降幅、Timer-XL微调前后的具体MSE、图相关性的具体数值）在所提供的文本中被占位符替代，读者若需精确数字应查阅原文表格与图。