[논문 리뷰] CasCast: Skillful High-resolution Precipitation Nowcasting via Cascaded Modelling

Junchao Gong, Lei Bai외 6명|arXiv (Cornell University)|2024. 02. 06.

Precipitation Measurement and Analysis인용 수 7

한 줄 요약

CasCast는 프레임별 가이드 확산 변환기를 낮은 차원의 잠재 공간에서 사용하여 결정론적 중규모 예측과 확률적 소규모 세부 생성으로 분할하는 계단식 프레임워크로, 지역적 극한 이벤트에 특히 고해상도 레이더 데이터셋에서 강력한 성능을 달성합니다.

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.

연구 동기 및 목표

• 여러 강수 규모(중규모 결정론적 운동 및 소규모 확률적 패턴)에 걸친 숙련도 높은 고해상도 nowcasting 필요성의 동기를 제시한다.
• 전반적 강수 분포 예측과 지역적 소규모 특징 생성의 분리를 가능하게 하는 계단식 프레임워크를 제안한다.
• 잠재 공간 확산 모델링으로 계산을 실질적으로 유지하면서 고해상도 학습을 가능하게 한다.
• 프레임별 가이드 확산을 통해 극한 강수 예측을 개선한다.

제안 방법

• CasCast는 예측을 결정론적 구성요소(중규모의 고결정성 부분)를 예측하는 부분과 결정론적 예측에 조건부로 소규모 패턴을 생성하는 확률적 구성요소로 분리한다.
• 확률적 부분은 소규모 변이성을 모델링하기 위해 저차원 잠재 공간에서 확산 모델을 사용하여 학습 및 샘플링 비용을 줄인다.
• 불분명한 결정론적 예측에 조건부로 프레임별 인코딩/디코딩을 통해 프레임 간 대응을 보장하고 극한 이벤트 최적화를 개선하는 프레임별 가이드 확산 트랜스포머(CasFormer)를 사용한다.
• 고해상도 확산 생성을 가능하게 하기 위해 레이더 프레임을 프레임별 자동인코더로 압축한다.
• CasFormer는 프레임 분할 메커니즘과 시퀀스 통합기를 활용하여 확산 디노이징을 위한 잠재 벡터를 생성하고 관찰 잠재 공간과의 교차 주의를 통합하여 시공간 일관성을 유지한다.
• 학습은 분류기 없는 가이던스로 1000스텝 노이즈 스케줄의 확산 기반 디노이징 목표를 사용하고 추론 시 20스텝 DDIM을 사용한다.

실험 결과

연구 질문

• RQ1 계단식 모델링 접근법이 고해상도에서 중규모(결정론적) 예보 및 소규모(확률적) 강수 nowcasting를 모두 향상시킬 수 있는가?
• RQ2 저차원 잠재 공간에서의 프레임별 가이드 확산이 기존의 결정론적 또는 확률적 방법에 비해 극한 강수 예측을 향상시키는가?
• RQ3 결정론적 백본의 선택이 계단식 예보 성능과 극한 이벤트 정확도에 어떤 영향을 미치는가?
• RQ4 CasCast가 SEVIR, HKO-7, MeteoNet 등 여러 레이더 데이터셋에서 CRPS, CSI, HSS 측면에서 어떻게 성능을 보이는가?
• RQ5 잠재 공간 확산으로 인한 고해상도 학습의 계산적 트레이드오프는 전체 픽셀 공간 확산과 비교해 어떤 차이가 있는가?

주요 결과

• CasCast는 세 가지 레이더 데이터셋에서 최첨단에 필적하는 성능을 달성했으며 특히 지역적 극한 강수_nowcasting에서 주목할 만한 향상을 보였다.
• 계단식 설계는 벤치마크 및 일부 확산 기반 방법에 비해 지역 극한 메트릭(CSI-181 및 CSI-219)에서 상당한 개선을 이끌어냈다.
• 저차원 잠재 공간에서의 프레임별 가이드 CasFormer는 극한 이벤트 최적화를 개선하면서 계산 비용을 줄인다.
• 퇴행 연구에서 결정론적 백본을 더 강력한 네트워크로 교체할 때 큰 이득이 나타나고 프레임별 가이드의 효과를 검증하였다.
• SEVIR, HKO-7, MeteoNet 전반에 걸쳐 CasCast는 분포 정합도(CRPS)와 지역 패턴 포획(CSI-M)을 개선하고 다양한 풀 설정에서 더 높은 HSS 및 CSI 점수를 보인다.
• 순수 확률적 모델과 비교할 때 CasCast의 2단계 구성은 모드 붕괴 위험을 줄이고 지역 구조 예측의 선명도를 높인다.