MFC-RFNet: レーダーシーケンス予測のためのマルチスケールガイド付き修正フローネットワーク

arXiv:2601.03633v2 Announce Type: replace 要旨：レーダーエコーシーケンスからの正確で高解像度の降水予報（现在天気予報）は、災害緩和および経済計画にとって不可欠ですが、まだ大きな課題です。主要な困難には、複雑なマルチスケール進化のモデル化、移動により引き起こされるインターフレーム特徴の整合性の補正、そして空間の忠実性を損なわない限り効率的に長距離の空間時間文脈をキャプチャする点が挙げられます。これらの問題に対処するために、マルチスケールコミュニケーションとガイド付き特徴融合を統合する生成フレームワークであるマルチスケール特徴コミュニケーション修正フロー（RF）ネットワーク（MFC-RFNet）を提案します。マルチスケール融合を強化しつつ高解像度情報を保持するために、ウェーブレットガイド付きスキップ接続（WGSC）は高周波成分を保持し、特徴コミュニケーションモジュール（FCM）は双方向のクロススケール相互作用を促進します。インターフレームの配置誤差を修正するために、条件ガイド付き空間変換融合（CGSTF）は浅い特徴を揃えるために条件付きエコーから空間変換を学習します。バックボーンには、少ステップサンプリングで安定した忠実性を可能にする直近の確率フロー経路を学習するための修正フロートレーニングが採用されています。さらに、軽量の Vision-RWKV（RWKV）ブロックはエンコーダの尾部、ボトルネック、最初のデコーダーレイヤーに配置され、中程度の計算コストで低空間解像度で長距離の空間時間依存関係をキャプチャします。4 つの公開データセット（SEVIR、MeteoNet、上海、CIKM）での評価では、強力なベースラインよりも一貫した改善が示されており、高い降雨率閾値ではより明確なエコー形態、より長い予報時間では持続したスキルが得られました。これらの結果は、RF トレーニングとスケール感知コミュニケーション、空間整合性、周波数感知融合の提案されたシンergie が、レーダーベースの現在天気予報に対して効果的で堅牢なアプローチであることを示唆しています。

arXiv:2601.03633v2 Announce Type: replace Abstract: Accurate and high-resolution precipitation nowcasting from radar echo sequences is crucial for disaster mitigation and economic planning, yet it remains a significant challenge. Key difficulties include modeling complex multi-scale evolution, correcting inter-frame feature misalignment caused by displacement, and efficiently capturing long-range spatiotemporal context without sacrificing spatial fidelity. To address these issues, we present the Multi-scale Feature Communication Rectified Flow (RF) Network (MFC-RFNet), a generative framework that integrates multi-scale communication with guided feature fusion. To enhance multi-scale fusion while retaining fine detail, a Wavelet-Guided Skip Connection (WGSC) preserves high-frequency components, and a Feature Communication Module (FCM) promotes bidirectional cross-scale interaction. To correct inter-frame displacement, a Condition-Guided Spatial Transform Fusion (CGSTF) learns spatial transforms from conditioning echoes to align shallow features. The backbone adopts rectified flow training to learn near-linear probability-flow trajectories, enabling few-step sampling with stable fidelity. Additionally, lightweight Vision-RWKV (RWKV) blocks are placed at the encoder tail, the bottleneck, and the first decoder layer to capture long-range spatiotemporal dependencies at low spatial resolutions with moderate compute. Evaluations on four public datasets (SEVIR, MeteoNet, Shanghai, and CIKM) demonstrate consistent improvements over strong baselines, yielding clearer echo morphology at higher rain-rate thresholds and sustained skill at longer lead times. These results suggest that the proposed synergy of RF training with scale-aware communication, spatial alignment, and frequency-aware fusion presents an effective and robust approach for radar-based nowcasting.