[论文解读] 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 7

一句话总结

CasCast 是一个级联框架，将降水预报现在化分解为确定性的中尺度预测和概率性的小尺度细节生成，使用在低维潜在空间中的逐帧引导扩散变换器，特别是在区域性极端事件方面，在高分辨率雷达数据集上取得了强劲表现。

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.

研究动机与目标

• 需要在多个降水尺度（中尺度的确定性运动和小尺度的随机模式）上实现高分辨率的熟练现在化的动机。
• 提出一个级联框架，将全球降水分布预测与局部小尺度特征的生成解耦。
• 通过潜在空间扩散建模在保持可控计算的同时实现高分辨率训练。
• 通过在低维潜在空间中进行逐帧引导扩散来改进极端降水预测。

提出的方法

• CasCast 将预测分解为确定性分量（预测中尺度的高确定性部分）与概率分量（在确定性预测条件下生成小尺度模式）。
• 概率部分在低维潜在空间中使用扩散模型来建模小尺度变异性，降低训练和采样成本。
• 一个逐帧引导扩散变换器（CasFormer）在模糊的确定性预测条件下工作，并通过逐帧编码/解码确保帧与帧之间的一致性，从而提升极端事件优化。
• 雷达帧通过逐帧自编码器进行压缩，以实现高分辨率扩散生成。
• CasFormer 采用逐帧分割机制和序列聚合器以产生用于扩散去噪的潜在向量，并将跨注意力与观测潜在向量整合以保持时空一致性。
• 训练使用基于扩散的去噪目标，结合无分类器引导以及 1000 步噪声时间表，推理时使用 20 步去噪（DDIM）。

实验结果

研究问题

• RQ1 级联建模方法是否能够在高空间分辨率下同时改善中尺度（确定性）和小尺度（随机）降水现在化的表现？
• RQ2 在潜在空间中进行逐帧引导扩散是否比现有的确定性或概率性方法更能提升极端降水预测？
• RQ3 确定性骨干网络的选择对级联预测性能和极端事件准确性有何影响？
• RQ4 在多个雷达数据集（SEVIR、HKO-7、MeteoNet）上，CasCast 在 CRPS、CSI、HSS 等指标上的表现如何？
• RQ5 在高分辨率训练与潜在空间扩散相比于全像素空间扩散时，计算开销的权衡如何？

主要发现

• CasCast 在三个雷达数据集上实现了竞争性且处于前沿的结果，且在区域性极端降水现在化方面有显著提升。
• 级联设计在区域性极端指标（CSI-181 与 CSI-219）上相对于基线和某些仅扩散方法有显著改进。
• 在低维潜在空间中的逐帧引导 CasFormer 提供了对极端事件的更好优化，同时降低了计算成本。
• 消融研究显示将确定性骨干网络替换为更强的网络时有显著提升，并验证逐帧引导的有效性。
• 在 SEVIR、HKO-7 与 MeteoNet 的比较中，CasCast 展现了更好的分布对齐（CRPS）和局部模式捕获（CSI-M），以及在不同池设下更高的 HSS 与 CSI 分数。
• 与纯概率模型相比，CasCast 的两阶段设置降低了模式崩溃的风险并增强了局部结构预测的清晰度。