McCast: Memory-Guided Latent Drift Correction for Long-Horizon Precipitation Nowcasting

Technische Samenvatting: McCast

Probleemstelling
Neerslagvoorspelling op korte termijn, de taak om de weerontwikkeling in de nabije toekomst te voorspellen op basis van radarobservaties, wordt voornamelijk aangepakt met autoregressieve deep learning-modellen. Deze modellen voorspellen toekomstige frames stap voor stap op basis van eerdere outputs. Deze formulering lijdt echter aan neerslagdrift: een cumulatieve foutopbouw tijdens lange rollouts waarbij de voorspelde sequentie progressief afwijkt van fysisch plausibele evolutietrajecten. Dit uit zich in verslechterde ruimtelijke structuren, inconsistenties in beweging en een verlies van coherentie in voorspellingen op lange termijn.

Bestaande pogingen om deze drift te mitigeren richten zich voornamelijk op het verbeteren van de voorspellingsnauwkeurigheid per stap door middel van grotere modellen of geavanceerde architecturen. Deze benaderingen negeren echter grotendeels de globale temporele evolutie van meteorologische systemen. Bovendien behandelen sommige methoden, hoewel ze externe geheugenintegratie omvatten, het geheugen doorgaans als een statische, ongeordende dictionary van latente toestanden die wordt gebruikt voor passieve conditionering. Deze passieve aanpak faalt erin om expliciet de temporele afhankelijkheden tussen geheugentoestanden te modelleren, waardoor het inefficiënt is in het vastleggen van de continuïteit van atmosferische evolutie of het leveren van gerichte correctiesignalen om opgehoopte drift tegen te gaan.

Methodologie: McCast
Om deze beperkingen aan te pakken, stellen de auteurs McCast (Memory-Guided Latent Drift Correction) voor, een raamwerk dat geheugen herformuleert van een passief conditioneringssignaal naar een actief correctiemechanisme voor autoregressieve latente evolutie. De kerninnovatie is de Drift-Corrective Memory Bank (DCBank), die expliciet temporeel consistente driftcorrecties schat om divergente trajecten te kalibreren.

De McCast-architectuur volgt een encoder-decoder-raamwerk:

1. Backbone Encoder: Koppelt de invoersequentie $X_r$ op rollout-stap $r$ aan een eerdere latente representatie $Z^-_r$.
2. Drift-Corrective Memory Bank (DCBank): In plaats van geheugenfeatures direct in de decoder te fuseren, schat DCBank een expliciete residucorrectieterm om de eerdere latente waarde te updaten naar een latere latente waarde $Z_r$. Dit proces vindt plaats in twee fasen:
   • Corrective Latent Extractor (CLE): Deze module schat een initiële driftcorrectie door de huidige eerdere latente waarde $Z^-_r$ te vergelijken met een referentielatente toestand $Z^r_{ref}$ (doorgaans het meest recente geheugentoevoeging). Het combineert twee discrepantiesignalen: een ruwe driftresidu (laag niveau afwijking) en een contextbewuste discrepantie (gestructureerde mismatch in de representatieruimte). Een gating-mechanisme fust deze signalen adaptief om een robuuste initiële correctieterm $D^{init}_r$ te produceren.
   • Correction-Aware Memory Retrieval (CAMR): Om de initiële correctie te verfijnen, haalt CAMR informatie op uit het historische geheugen $M_{<r}$. In tegenstelling tot standaard ophaalmechanismen selecteert CAMR geheugentoestanden op basis van twee criteria: inhoudelijke relevantie (semantische gelijkenis met de huidige toestand) en driftconsistentie (temporele evolutiepatronen die overeenkomen met de huidige drift). De geheugentoevoegingen worden verrijkt met leerbare positionele embeddingen om de temporele volgorde te behouden. De opgehaalde geheugeninformatie wordt geaggregeerd en gecombineerd met de initiële correctie om een verfijnde correctieterm $D_r$ te produceren.
3. Actieve Correctie: De verfijnde correctie $D_r$ wordt via een gating-mechanisme toegepast op de eerdere latente waarde: $Z_r = Z^-_r + G_{corr} \odot D_r$. Dit corrigeert het latente traject expliciet in plaats van features impliciet te fuseren.
4. Backbone Decoder: Decodeert de gecorrigeerde latere latente waarde $Z_r$ om de voorspelling $\hat{Y}_r$ te genereren. De latere latente waarde wordt vervolgens teruggeschreven naar het geheugen voor toekomstige stappen.

Het model wordt getraind met een gezamenlijke doelstelling van Mean Squared Error (MSE) voor pixel-voor-pixel fideliteit en Learned Perceptual Image Patch Similarity (LPIPS) voor structurele en perceptuele consistentie.

Belangrijkste Bijdragen

• McCast Framework: Een geheugengeleide methode voor latente driftcorrectie die expliciet gebruikmaakt van temporele afhankelijkheden in het geheugen om neerslagdrift te mitigeren, waarbij het paradigma verschuift van lokaal optimale voorspellingen naar het expliciet modelleren van globale temporele evolutie.
• Drift-Corrective Memory Bank (DCBank): Een nieuwe module die geheugen formuleert als een expliciete correctieoperator. Het updatet latente representaties via een residucorrectiemechanisme in plaats van passieve feature-fusie, waardoor effectieve kalibratie mogelijk wordt met behulp van historische evolutiepatronen.
• Tweestaps Correctieschema: Het ontwerp van een Corrective Latent Extractor voor initiële driftschatting en een Correction-Aware Memory Retrieval-module die correcties verfijnt door geheugentoestanden te selecteren op basis van zowel semantische relevantie als driftconsistentie.
• State-of-the-Art Prestaties: Uitgebreide experimenten tonen aan dat McCast superieure prestaties levert vergeleken met bestaande methoden, met name in uitdagende scenario's op lange termijn.

Experimentele Resultaten
De auteurs hebben McCast geëvalueerd op twee veelgebruikte benchmarks: SEVIR en MeteoNet.

• Kwantitatieve Prestaties: McCast presteerde beter dan state-of-the-art baselines (waaronder DiffCast, AlphaPre en PercpCast) op meerdere metrieken. Op SEVIR verbeterde het de gemiddelde Critical Success Index (CSIM) met 5,6%–5,9% en de Heidke Skill Score (HSS) met 5,4%–8,0% ten opzichte van de sterkste baselines. De winsten waren bijzonder opvallend bij hogere neerslagintensiteitsdrempels, met relatieve verbeteringen in CSI variërend van 5,9% tot 21,1%.
• Robuustheid op Lange Termijn: Prestatieanalyse over verschillende lead-tijden toonde aan dat McCast consistent beter presteerde dan baselines op bijna alle horizonnen, wat robuustheid aantoont in autoregressieve settings waar foutopbouw het ernstigst is.
• Kwalitatieve Analyse: Visuele vergelijkingen onthulden dat McCast fijnkorrelige neerslagstructuren en coherente temporele evolutie beter behoudt dan andere methoden, die vaak vertoonden met vage grenzen, inconsistenties in beweging of verdwijnende neerslaggebieden over lange horizonnen.
• Ablatiestudies: Het verwijderen van de DCBank, de Corrective Latent Extractor of de Correction-Aware Memory Retrieval-module leidde consequent tot prestatieverlies, wat de noodzaak van elk component bevestigt. Specifiek werd aangetoond dat actieve driftcorrectie superieur is aan het gebruik van geheugen als een passief conditioneringssignaal.

Betekenis en Claims
Het artikel claimt dat McCast een principieel mechanisme biedt voor temporele consistentie op lange termijn door expliciet de correctie van autoregressieve drift te modelleren. Door geheugen te behandelen als een actieve bron van residu-informatie in plaats van een passieve context, biedt de methode een transparante voldoende voorwaarde voor het verminderen van latente driftfouten. De auteurs positioneren McCast als een computatievriendelijk raamwerk dat geschikt is voor voorspelling in real-time of quasi-real-time op commerciële GPU's, en biedt een aanzienlijke verbetering in betrouwbaarheid voor kortetermijnvoorspellingen van zware regenval en weergevaar. Het werk benadrukt dat het, hoewel het de temporele consistentie verbetert, geen harde fysische beperkingen oplegt (zoals massabehoud), maar in plaats daarvan gericht is op het bieden van een lichtgewicht correctie in de latente ruimte die kan worden geïntegreerd met diverse datagedreven of fysisch geïnformeerde backbones.