Physically-Guided Data-Space Rectified Flow for Precipitation Nowcasting

Motivation

• Known: Rectified Flow는 deterministic ODE integration을 통해 detail-preserving future sequence를 생성할 수 있으며, optical flow 기반 고전 기법은 advection 보존에는 강하지만 nonlinear intensity 변화 모델링에 취약하고, deterministic deep learning predictor는 reconstruction objective로 인해 blur 및 극한값 과소추정 문제를 가진다.
• Gap: 표준 RF는 flow-space velocity를 직접 회귀하므로 recursive ODE integration 과정에서 velocity 추정 오차가 누적되어 off-manifold drift가 발생하고, 이는 장기 예측(long lead time)에서 형태학적 왜곡을 유발한다. 또한 기존 생성모델 기반 nowcasting 연구들은 물리적 이류 일관성을 명시적으로 강제하면서도 국소 비선형 성장/소멸을 유연하게 학습하는 메커니즘을 결합하지 못했다.
• Why: 홍수 대응, 재난 경보, 인프라 관리 등에 필수적인 장시간(long-horizon) 강수 예보에서 세밀한 에코 구조 보존과 물리적으로 타당한 궤적 일관성을 동시에 달성하는 것은 실용적으로 매우 중요하며, 기존 생성모델의 궤적 드리프트 문제를 해결하면 극한 강수 이벤트 예측 신뢰도를 크게 높일 수 있다.
• Approach: 저자들은 생성 ODE를 data space에서 재파라미터화하여 네트워크가 velocity 대신 clean future sequence를 직접 예측하도록 하고(MASD), 여기에 Semi-Lagrangian advection 기반 soft teacher를 결합해 velocity 도메인에서 대규모 transport 일관성을 정규화하는 PDRF 프레임워크를 제안한다.

Achievement

Figure 5. CSI and HSS metrics at different prediction time steps

1. Manifold-Anchored Spatiotemporal Dynamics(MASD) 제안: velocity-regression 오차가 off-manifold drift의 주요 원인임을 규명하고, data-space 파라미터화를 통해 네트워크를 manifold projector로 재정의함으로써 intrinsic restoring force를 도입해 장기 ODE integration 중 manifold consistency를 유지함.
2. Physics-Guided Velocity Regularizer 도입: Semi-Lagrangian advection prior를 soft constraint로 활용하여 global coherent transport를 유도하면서도 국소 강도 변화 학습을 억제하지 않음.
3. Motion- and Frequency-Aware Backbone 설계: Condition-Guided Alignment와 Wavelet-Guided Fusion을 통합해 multi-scale misalignment 및 high-frequency 재구성 문제를 해결.
4. 네 개의 공개 벤치마크에서 실증적 성능 향상: event-based skill(CSI, HSS 등)에서 일관된 개선과 장기 lead time에서 intense-echo morphology 보존 성능 향상을 입증함.

How

Figure 3. Overview of the proposed Physically-guided Data-space Rectified Flow framework. The model conditions on histor

• Conditional Rectified Flow(CRF)를 기반으로 historical context C에 조건화된 생성 ODE를 설정
• flow-space velocity vθ(Zt,t) 회귀 대신, 네트워크가 clean future sequence(X1)를 직접 예측하도록 data-space 파라미터화를 수행하여 analytically coupled vector field 유도 (MASD)
• 이 파라미터화가 implicit restoring effect를 가져 numerical drift를 억제함을 (Li & He, 2025)의 unconditional 이미지 생성 관점의 manifold assumption을 시공간 도메인으로 확장하여 이론적으로 논증
• Semi-Lagrangian advection 기반 soft teacher를 velocity 도메인에 도입하여 대규모 transport를 정규화하되 국소 growth/decay/deformation은 데이터로부터 학습되도록 유연성 부여
• Motion- and Frequency-Aware Backbone에 condition-guided alignment(다중 스케일 정합)와 wavelet-based fusion(고주파 재구성)을 결합해 아키텍처를 레이더 에코의 시공간적 특성에 맞게 설계
• SEVIR 등 네 개의 공개 벤치마크에서 CSI, HSS 등 event-based metric과 정성적 비교(Figure 4), 시간 스텝별 성능 곡선(Figure 5)을 통해 검증

Originality

• 기존 RF 연구가 이미지 생성 품질 향상에 초점을 맞춘 data-space(x-prediction) 파라미터화를 활용한 것과 달리, 이를 동적 시스템(dynamical system)의 궤적 안정화(geometric stabilizer)라는 새로운 이론적 관점에서 재해석함
• velocity-regression 오차를 off-manifold drift의 근본 원인으로 명시적으로 규명하고 이를 data-space 파라미터화로 해결한 점이 독창적
• Semi-Lagrangian advection을 velocity 도메인의 soft teacher로 활용해 물리적 이류 제약과 데이터 기반 국소 비선형 학습을 유연하게 결합한 하이브리드 정규화 방식 제안

Limitation & Further Study

• MASD의 restoring effect가 이론적으로 analytically induced 된다고 서술되나, drift 억제에 대한 엄밀한 수학적 보장(예: 안정성 증명, 오차 상한)이 충분히 제시되었는지 추가 검증이 필요함
• Semi-Lagrangian advection prior가 soft teacher로서 국소 비선형 성장/소멸 학습을 어느 정도까지 방해하지 않는지에 대한 정량적 trade-off 분석이 부족할 수 있음
• 네 개 벤치마크가 모두 레이더 강수 도메인에 국한되어 있어, 다른 시공간 예측 태스크(예: 해양, 대기 화학)로의 일반화 가능성은 추가 실험이 필요함
• 모델 복잡도(파라미터 수, GFLOPs) 대비 성능 이득의 실용적 trade-off(Figure 1에서 시사됨)에 대한 심층 논의가 제한적일 수 있음

Evaluation

총평: Rectified Flow의 off-manifold drift 문제를 data-space 재파라미터화와 물리 기반 soft regularizer로 해결한다는 아이디어가 이론적으로 설득력 있고 실증적으로도 뒷받침되어, 장기 강수 nowcasting 분야에 실질적으로 기여하는 논문으로 평가된다.