[논문 리뷰] StormDiT: A generative AI model bridges the 2-6 hour 'gray zone' in precipitation nowcasting

Haofei Sun, Yunfan Yang외 7명|arXiv (Cornell University)|2026. 01. 28.

Tropical and Extratropical Cyclones Research인용 수 0

한 줄 요약

StormDiT는 6분 간격으로 2–6시간 강수 nowcasting을 수행하는 단일 확산-트랜스포머 생성 모델로, 분해 기반 방법보다 우수하며 새로운 SEVIR 기준선을 제시합니다.

ABSTRACT

Accurate short-term warnings for extreme precipitation are critical for global disaster mitigation but are hindered by a persistent predictability barrier at the 2-6 hour horizon -- the "nowcasting gray zone." In this window, traditional observation-based extrapolation fails due to error accumulation, while numerical weather prediction is computationally too slow to resolve storm-scale dynamics. Recent generative AI approaches attempt to bridge this gap by decomposing precipitation into separate deterministic advection and stochastic diffusion components. However, this decomposition can sever fundamental causal links between entangled atmospheric processes, such as the dynamic initiation of convection triggered by boundary advection. Here we present StormDiT, a unified generative model that treats weather evolution as a holistic spatiotemporal problem, learning the coupled physics of the gray zone without human-imposed structural priors. Trained on a massive dataset of 7,720 precipitation events from China, our model achieves a breakthrough in long-horizon stability. On a heavy-rainfall test set, it maintains skillful prediction for strong convection ($\ge$ 35 dBZ) with a Critical Success Index (CSI) near 0.2 across the full 6-hour forecast at 6-minute resolution. Crucially, the model exhibits superior probabilistic calibration, accurately quantifying operational risks. On the public SEVIR benchmark, our unified paradigm more than doubles the state-of-the-art 1-hour performance for heavy rain and establishes the first robust baseline for 3-hour forecasting. Furthermore, interpretability analysis reveals that the model attends to non-local physical precursors, such as outflow boundaries, explicitly validating its emergent understanding of convective organization.

연구 동기 및 목표

• 전통적 외삽 및 빠른 수치 예보(NWP)가 어려움을 겪는 2–6시간의 nowcasting 회색 구간에서 예측의 필요성과 동기를 제시한다.
• 수작업으로 강제된 분해 없이 운동학적 및 동적 대기 과정을 결합해 학습하는 통합 생성 프레임워크를 제안한다.
• 대규모 레이더 데이터와 공개 벤치마크에서 장기 예측의 안정성과 고해상도 성능을 입증한다.
• 출현하는 물리적 전조(예: 비국소적인 강출 경계)에 주목하는 해석 가능성 증거를 제공한다.]
• method:[

제안 방법

• 픽셀 공간의 중복성을 줄이기 위해 인과적 VAE를 통한 압축 잠재 기상 상태 공간에서 작동한다.
• 3D 인과적 자기 주의를 갖춘 Diffusion Transformer 백본을 사용해 시공 간 진화를 모델링한다.
• 가우시안 사전분포에서 물리적 데이터 분포로 운반하는 Rectified Flow를 채택하여 직선의 최적 운송 궤적을 가능하게 한다.
• 시간 임베딩을 포함한 Adaptive Layer Normalization(adaLN)을 도입하여 연속 시간 역학을 강제한다.
• 일반 비디오 기초 모델(Cosmos-Predict2.5)로의 사전 학습과 대규모 레이더 반사도 데이터로의 후속 학습을 통해 강력한 세계 모델을 구축한다.

실험 결과

연구 질문

• RQ1 현실 환경에서 StormDiT가 확장된(2–6시간) 수평선에서도 물리적 일관성과 예측 기술을 유지할 수 있는가?
• RQ2 SEVIR와 같은 공개 벤치마크에서 최첨단 분해 기반 및 결정론적 모델에 비해 통합 StormDiT 프레임워크가 일반화하고 성능을 발휘하는 방식은 어떠한가?
• RQ3 전체론적 연관 물리 접근법이 전통적 외삽 및 NWP 초기화 한계를 넘어 고강도 강수 예측 분석을 개선하는가?

주요 결과

• 6시간 전체 수평선에서 강한 대류(≥35 dBZ) 예측 기술을 유지하며, 6분 간격에서 CSI가 약 0.2에 근접합니다.
• SEVIR에서 고강도 이벤트의 1시간 CSI 벤치마크를 두 배 이상 증가시켰으며(CSI-219) 0.054에서 0.130으로 올리고, 3시간 기준의 견고한 베이스라인을 설정합니다.
• 스프레드-스킬 비율이 ≈ 0.96으로, 예측 분포의 확률 보정이 우수함을 나타냅니다.
• 1시간 및 3시간 과제에서 분해 기반 모델(DiffCast 등)을 능가하고, 스쿨 라인 및 태풍 붕괴 같은 복잡한 사례에서 고주파 반사도 구조를 보존합니다.
• 주목 분석은 비국소 물리적 전조(유출 경계, 후방 유입 등)가 예측을 이끌고 있음을 보여 주며, 기억보다 emergent physics를 지지합니다.
• CHINA 레이더 데이터(2,624건)에서 StormDiT는 서로 다른 임계값(5–45 dBZ) 및 극한 강도로 인한 CSI의 장기 예측 성능 저하를 최소화하는 안정적인 성능을 보였습니다.