[論文レビュー] CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling

Junchao Gong, Lei Bai+6 more|arXiv (Cornell University)|Feb 6, 2024

Precipitation Measurement and Analysis被引用数 7

ひとこと要約

CasCast は、フレームごとのガイド付き拡散トランスフォーマーを低次元潜在空間で用いた、予測を決定論的な中規模予測と確率的な小尺度詳細生成に分割する cascaded フレームワークであり、高解像度のレーダーデータセットで特に地域の極端イベントに対して強い性能を達成する。

ABSTRACT

Precipitation nowcasting based on radar data plays a crucial role in extreme weather prediction and has broad implications for disaster management. Despite progresses have been made based on deep learning, two key challenges of precipitation nowcasting are not well-solved: (i) the modeling of complex precipitation system evolutions with different scales, and (ii) accurate forecasts for extreme precipitation. In this work, we propose CasCast, a cascaded framework composed of a deterministic and a probabilistic part to decouple the predictions for mesoscale precipitation distributions and small-scale patterns. Then, we explore training the cascaded framework at the high resolution and conducting the probabilistic modeling in a low dimensional latent space with a frame-wise-guided diffusion transformer for enhancing the optimization of extreme events while reducing computational costs. Extensive experiments on three benchmark radar precipitation datasets show that CasCast achieves competitive performance. Especially, CasCast significantly surpasses the baseline (up to +91.8%) for regional extreme-precipitation nowcasting.

研究の動機と目的

• 複数の降水スケール（中規模の決定論的運動と小尺度の確率的パターン）全体で高度な解像度の今予測の必要性を動機づける。
• 世界的な降水分布予測と局所的な小-scale 特徴の生成を分離する cascaded フレームワークを提案する。
• 潜在空間拡散モデリングを介して計算コストを抑えつつ高解像度の訓練を可能にする。
• 低次元潜在空間でのフレームワイズガイド付き拡散により極端な降水予測を改善する。

提案手法

• CasCast は予測を決定論的成分（中尺度の高決定性部分を予測）と確率的成分（決定論的予測に条件付けられた小尺度パターンを生成）に分離する。
• 確率的部分は低次元潜在空間で拡散モデルを用いて小規模な変動をモデル化し、訓練とサンプリングのコストを削減する。
• ブレやすい決定論的予測を条件付けとするフレームごとガイド付き拡散トランスフォーマー（CasFormer）は、フレーム間対応を確保するためのフレームごとのエンコード/デコードを備え、極端イベントの最適化を改善する。
• 高解像度の拡散生成を可能にするため、レーダーフレームはフレームごとオートエンコーダーで圧縮される。
• CasFormer はフレーム分割機構とシーケンスアグリゲータを用いて拡散デノイジングの潜在ベクトルを生成し、観測潜在とのクロスアテンションを統合して時空的一貫性を維持する。
• 訓練は分類子なし案内付きの拡散デノイジング目的を用い、1000ステップのノイズスケジュール、推論時には20ステップのデノイジング（DDIM）。

実験結果

リサーチクエスチョン

• RQ1 cascaded モデリングアプローチは高空間分解能で中尺度（決定論的）と小尺度（確率的）降水今予測の両方を改善できるか。
• RQ2 潜在空間でのフレームワイズガイド付き拡散は、既存の決定論的または確率的手法と比較して極端降水予測を向上させるか。
• RQ3 決定論的なバックボーンの選択が cascaded 予測性能と極端イベントの精度に与える影響は。
• RQ4 CasCast は SEVIR、HKO-7、MeteoNet の複数のレーダーデータセットで、CRPS、CSI、HSS の観点でどうでるか。
• RQ5 潜在空間拡散による高解像度訓練の計算的トレードオフは、全ピクセル空間拡散と比較してどうか。

主な発見

• CasCast は3つのレーダーデータセットで競争力のある最先端結果を達成し、地域的極端降水今予測で顕著な改善を示す。
• cascaded デザインは、ベースラインおよび一部の拡散のみの方法と比較して、地域的極端指標（CSI-181 および CSI-219）で実質的な改善をもたらす。
• 低次元潜在空間でのフレームごとガイド付き CasFormer は、極端イベントの最適化を改善し、計算コストを削減する。
• アブレーション研究は、決定論的バックボーンをより強力なネットワークに置換することで大きな利得を示し、フレームごとのガイダンスの有効性を検証する。
• SEVIR、HKO-7、MeteoNet 全体で、CasCast は分布の整合性（CRPS）と局所パターン捕捉（CSI-M）を改善し、さまざまなプール設定でより高い HSS と CSI のスコアを示す。
• 純粋な確率モデルと比較して、CasCast の二段階構成はモード崩壊リスクを低減し、局所構造予測のシャープネスを高める。