RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs¶

会议: ECCV2026
论文: ECCV 原文
代码: https://github.com/SeongYE/RainODE
领域: 时间序列 / 地球科学
关键词: 降水预报、连续时间建模、潜在神经常微分方程、随机源建模、雷达序列

一句话总结¶

RainODE 用离散教师引导的潜在神经常微分方程学习连续降水轨迹，再以 Brownian Bridge 随机细化强度与细节，在支持未见时间间隔查询的同时，将 RAPID-60min 的 CSI-M 从 SimVP 的 0.141 提升到 0.220，但不保证逐像素误差同步下降。

研究背景与动机¶

雷达降水预报通常把一段历史图像映射成若干固定间隔的未来图像，SEVIR 的常见设置就是预测未来一小时的 12 帧。这种接口适合离散采样的数据，却把真实连续演化的降水过程绑定在训练时间网格上。当业务需要更密集的预报时，自回归模型要反复把预测喂回自身，位置和强度误差可能随滚动放大。 SimVP、Earthformer 等多输入多输出模型一次预测整段序列，但增加输出帧数会改变计算与表示需求。按时间查询的隐式模型虽然能指定目标时刻，却不一定显式约束不同查询之间属于同一条动态轨迹。

仅仅把时间变量改为连续也不够：降水既会整体移动，也会局地增强、衰减、分裂或合并。本文以平流、扩散或混合、源汇过程的分解作为建模动机，把较平滑的大尺度输送交给确定性动力学。但若要求同一个确定性模型同时解释多种可能的局部强度变化，MSE 训练容易把不确定的强降水核心平均掉。因此，时间连贯与细节锐利是两个相互关联、却不能靠同一条确定性轨迹自动解决的问题。

RainODE 的切入点是先学习一条可在任意时刻取样的潜在轨迹，再对其降水场做条件随机细化。这里的连续性主要来自 ODE，而不是对两张已预测图像做后处理插值；细节恢复则交给单独的随机模块。作者还构建 RAPID，用同一地区不同时间间隔的任务检验这种分工能否跨越运动主导和结构演化更明显的情形。 核心 idea：用离散教师稳定连续潜在动力学，以共享轨迹承载大尺度降水移动，再用 Brownian Bridge 建模确定性预测遗漏的局部强度变化。

方法详解¶

整体框架¶

输入是过去的雷达图像序列，输出是在所需未来时刻上的降水场，而非一组固定类别或一个全局降雨量。二维编码器先提取每帧的空间潜在特征，时空 Translator 预测未来离散潜在序列，形成“离散教师引导”。 “端点条件潜在动力学”以这段预测的首个潜在状态为初值、以预测终点为条件，用 ODE 求解器得到连续潜在轨迹。共享二维解码器将教师状态与 ODE 状态都恢复为图像，后者再进入“随机源建模”得到最终预报。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
        Input["历史雷达序列"] --> Encoder["二维空间编码"]
        Encoder --> Teacher["离散教师引导"]
        Teacher -->|预测初值与终点| Dynamics["端点条件潜在动力学"]
        Dynamics -->|RK4 求解后共享解码| Source["随机源建模"]
        Source --> Output["所需时刻的降水场"]
        Truth["未来真值：仅训练"] -.->|教师重建监督| Teacher
        Teacher -.->|解码后一致性监督| Dynamics
        Truth -.->|桥过程目标| Source

图中的实线是预测数据流，虚线是训练监督；未来真值不属于部署时输入。这里存在两种不同的“端点”：ODE 的条件终点由 Translator 预测，随机桥的训练目标端点才是真值图像。区分这两者很重要，否则容易把可部署的条件预测误读成需要先知道未来的插值方法。

关键设计¶

1. 离散教师引导：先学可信的离散预报，再约束连续轨迹

二维编码器负责空间表征，Translator 负责把历史潜在序列推进到未来离散时间网格。它的未来潜在状态经过解码器得到教师预报，直接接受真实未来序列的重建监督。论文中的教师是这条模型内部的离散分支，不应理解为额外引入了一个已训练好的大型外部模型。同一个解码器也处理 ODE 分支，因此两条分支最终在可观测的降水图像空间比较，而不是只对齐潜在向量。教师提供任务相关的时间锚点，避免连续动力学只追求平滑却偏离实际预报任务。

一致性项要求 ODE 生成的离散采样图像接近教师图像，而教师的重建项负责把这些锚点拉向真值。这解释了为什么方法保留一个离散 Translator：它不是与连续建模矛盾的冗余输出头，而是连续轨迹的学习支撑。不过，教师预测若有系统误差，一致性约束也可能把该误差传给 ODE；教师并非正确未来的保证。正文没有明确交代教师分支是否使用停止梯度，不能据此指定精确的梯度路由或另加冻结策略。表 4 的消融从 SimVP 加入 Latent ODE，展示的是这一连续建模阶段的整体作用，而非单独隔离教师机制。

2. 端点条件潜在动力学：学习变化率，而非逐帧重复预测

ODE 的初值是 Translator 预测的第一帧潜在状态，而不是最后一张实际观测图像的潜在状态。在归一化预测区间内，状态变化由当前潜在状态、预测终点以及连续时间共同决定。因此，终点条件提供对整段未来预测范围的约束，局部变化率则决定如何从初始预测向后演化。原文式 (3) 的核心关系可清楚辨认为：

\[ \frac{dz(s)}{ds}=f_{\mathrm{ODE}}(z(s),z(S),s). \]

其中 \(s\) 是归一化连续时间，\(S\) 表示预测区间终点，\(z(S)\) 来自预测的末端潜在状态。作者采用四阶 Runge–Kutta，即 RK4，数值积分这个变化率函数，再把所需时刻的状态送入共享解码器。这样增加查询时刻不需要重新训练一个不同输出长度的时间映射，原有动力学参数仍可复用。但数值积分和图像解码仍需要计算，因此“任意时间查询”不等于无限加密而成本不变。

与把刚生成的雷达图像再次送进预测网络相比，这里推进的是同一潜在动力系统中的状态。这有助于保持大尺度移动方向连贯，但积分仍有数值误差，学习到的动力学也仍可能错误。所谓导数一致主要描述 ODE 定义的连续轨迹，不能直接升级为真实大气运动或最终随机输出的严格物理保证。尤其需要注意，作者没有显式求解降水控制 PDE，也没有单独预测并监督物理风速场。平流、扩散和源汇只是指导模型分工的物理解释，不能把潜在通道逐一等同于这些物理变量。

3. 随机源建模：在确定性轨迹上恢复局部强度变化

确定性分支较擅长维持降水位置，却会把不确定的细小结构平均成平滑结果。随机源建模模块 SSM 使用 Brownian Bridge 条件扩散，把 ODE 预报与真实降水场作为训练桥的两个端点。桥的中间分布围绕两端点的线性混合均值，加上随桥步数改变的随机扰动。按原文式 (6) 及图 2，混合权重为 \(k/K\)，方差为 \(2k(K-k)/K^2\)，其中 \(k\) 是桥步数，\(K\) 是总步数。这让端点处的扰动消失，而中间状态允许探索确定性预报尚未解释的强度与纹理变化。

桥步数与天气预报的物理时间是两条不同的轴：前者控制生成细化过程，后者由 ODE 的 \(s\) 指定。训练阶段可用真实未来场构造桥；推理阶段只能以 ODE 预报作为已知条件，通过学习到的生成过程细化输出。 SSM 不需要把真实未来图像作为部署输入，也不是把随机噪声简单相加后就完成预测。作者将局部生消、次网格变化和混合效应归入这一随机补偿，而不是声称显式识别了各类物理源项。正文表示其余实现遵循 BBDM，未完整列出采样调度、去噪网络和训练目标细节，因此这里不补写未经核实的实现公式。

SSM 的价值应由强降水检测和结构指标共同判断，不能仅凭图像看起来更锐利来评价。表 4 显示它改善 CSI-219、LPIPS 与 SSIM，却让 RMSE 变差，符合“增强局部结构而非最小化所有像素误差”的角色。这也意味着若应用优先关注低误报或数值强度误差，不能直接假定完整模型总优于 Latent ODE。

一个完整示例¶

在 RAPID-60min 设置中，模型接收 6 张按 60 分钟间隔取样的雷达图像，并预测未来 6 个小时级时刻。 Translator 先给出未来 6 个离散潜在状态，首个预测状态初始化 ODE，末端预测状态提供条件。若需要 +90 分钟或 +150 分钟的图像，就在第一小时之后的连续轨迹上查询对应状态并解码，不必先生成两端图像再做图像插值。随后 SSM 对对应的 ODE 降水场进行条件细化，以补回可能被确定性预测平均掉的强降水核心。论文图 5 展示了小时级训练后更密集的时间查询，图 6 进一步按 10 分钟间隔评估至 +6 小时，均不重新训练 RainODE。这项验证涉及既定预测范围内的时间加密，不构成任意超出六小时范围仍可准确外推的证据。

损失函数 / 训练策略¶

Stage I 由教师对真值的 MSE 重建项与 ODE 对教师的 MSE 一致性项组成，一致性权重为 \(\alpha=0.1\)。以下是依据正文描述写出的简记，而不是对缓存中断裂的式 (5) 做逐字符复原：

\[ \mathcal{L}_{\mathrm{Stage\ I}}= \operatorname{MSE}(\hat{Y}_{\mathrm{teacher}},Y) +\alpha\operatorname{MSE}(\hat{Y}_{\mathrm{ODE}},\hat{Y}_{\mathrm{teacher}}). \]

这里没有额外写入 ODE 对真值的第三个监督项，因为正文给出的双目标不是那种形式。 Stage II 使用前述 SSM 细化；论文没有充分展开两个阶段之间的全部优化与冻结细节。实验使用单张 NVIDIA H200，显存 140 GB，AdamW 初始学习率 \(10^{-3}\)。余弦退火设置为 \(T_{\max}=100\)、\(\eta_{\min}=10^{-6}\)，训练 100 个 epoch。 RAPID 的 batch size 为 12，SEVIR 为 4，并选取验证集 CSI-M 最高的 checkpoint。基线在相同 H200 环境从头训练，使用各自公开实现；这统一了训练环境，但不能保证每个基线都完成了独立最优调参。

实验关键数据¶

主实验¶

SEVIR 使用 13 帧上下文预测未来 12 帧，空间尺寸为 \(384\times384\)，以 2019 年 6 月 1 日作为训练和测试划分边界。 RAPID 来自韩国半岛雷达产品，原始时间分辨率 5 分钟、空间分辨率 0.5 km，实验裁剪并重采样到 2 km。每个样本包含 6 帧输入和 6 帧未来目标，尺寸为 \(224\times224\)；2022–2024 年用于训练，2025 年用于测试。 10、30、60 分钟间隔分别对应 1、3、6 小时预测范围，表中数值是序列评估结果，而非仅最后一帧的分数。选帧条件是超过 0.1 mm/h 的区域占比大于 10%，或第 99 百分位强度超过 10 mm/h，因此不能把数据集当作未筛选的全天候样本。

下表摘自原文表 2，第 9 页；所有指标在 0–1 尺度上，CSI-219 的阈值是编码强度 \(219/255\)，不是 219 mm/h。 CSI 是命中数除以命中、漏报与误报之和；CSI-M 是作者报告的阈值平均 CSI，P1 表示未作空间池化。 P16 表示 \(16\times16\) 池化后的 CSI-M，更能容忍空间位移；RMSE 衡量逐像素误差，FAR 衡量误报，二者越低越好。

数据集	方法	CSI-M P1 ↑	CSI-M P16 ↑	CSI-219 ↑	RMSE ↓	FAR ↓
SEVIR	Earthformer	0.426	0.435	0.134	0.057	0.284
SEVIR	RainODE	0.430	0.544	0.177	0.060	0.399
RAPID-10min	Latent ODE	0.443	0.417	0.197	0.067	0.279
RAPID-10min	RainODE	0.420	0.597	0.187	0.082	0.418
RAPID-30min	exPreCast	0.234	0.437	0.055	0.101	0.561
RAPID-30min	RainODE	0.273	0.458	0.080	0.105	0.556
RAPID-60min	SimVP	0.141	0.155	0.011	0.107	0.626
RAPID-60min	RainODE	0.220	0.358	0.056	0.113	0.596

RAPID-10min 尤其能防止过度概括：完整模型在池化指标上更好，但 CSI-M P1、CSI-219、RMSE、FAR 均不及 Latent ODE。 SEVIR 上也存在类似取舍，RainODE 的强事件检测改善不能掩盖相对 Earthformer 更高的 RMSE 与 FAR。

消融实验¶

下表摘自原文表 4(a)，第 15 页，其数值对应表 2 的 RAPID-60min 设置。 LPIPS 越低代表感知差异越小，SSIM 越高代表结构相似度越高；两者不能代替气象事件检测指标。

配置	CSI-M ↑	CSI-16 ↑	CSI-219 ↑	RMSE ↓	FSS ↑	LPIPS ↓	SSIM ↑
SimVP	0.141	0.400	0.011	0.107	0.130	0.346	0.580
Latent ODE	0.152	0.404	0.002	0.101	0.137	0.376	0.588
RainODE	0.220	0.400	0.056	0.113	0.223	0.275	0.690

加入 ODE 后，RMSE 从 0.107 降至 0.101，但 CSI-219 从 0.011 降至 0.002，说明平滑动力学并不能自行保住强降水核心。再加入 SSM，CSI-219 升至 0.056，SSIM 升至 0.690，但 RMSE 变为 0.113，展示了明确的精度取舍。

计算分析摘自原文表 4(b)，第 15 页；这里测的是 Latent ODE，不是包含 SSM 的完整 RainODE。

模型	输出长度	参数量 (M)	FLOPs (G)
Latent ODE	6	9.32	68.84
Latent ODE	36	9.32	104.97
SimVP	6	13.62	90.91
SimVP	36	15.25	129.78

关键发现¶

连续参数共享不等于免费加密：输出从 6 帧增至 36 帧时，Latent ODE 参数仍为 9.32 M，FLOPs 却从 68.84 G 增至 104.97 G。
长时预报仍持续退化：表 3，第 11 页，RAPID-60min 的 CSI-M 从首个未来时刻的 0.298 降至第 6 个时刻的 0.144。
未见时间间隔评估有协议差异：图 6，第 13 页，RainODE 用小时级训练后在 10 分钟级推理，基线则用 10 分钟级训练后自回归扩展到六小时。
图 6 的高阈值结果支持强降水检测优势，但低阈值 CSI-16 略低；缓存未提供该曲线的逐点数值，因此不虚构精确增幅。

亮点与洞察¶

把“在哪个时刻取样”与“如何演化”分开，是比固定输出帧数更有用的时间接口。它允许改变预报频率，同时复用同一个动力学模型。
教师分支承担任务锚定，ODE 承担连续演化，SSM 承担局部随机补偿，三者职责可以从消融的指标变化读出来。特别是强降水检测与 RMSE 的反向变化，说明随机细化不是普通的无损增强。
RAPID 还用光流对齐后的残余强度变化分析非平流演化。作者定义 \(\rho=D_L/(D_E+\epsilon)\)，其中 \(D_L\) 是形变对齐后的非平流变化，\(D_E\) 是总变化；图 3 显示间隔增加时其占比总体上升，为引入局地变化建模提供动机。

局限与展望¶

作者承认雷达单模态难以提供长时大气环境信息，尤其难以预测原本晴空处新出现的降水。加入风场、湿度等变量是其未来多模态方向，尚不是本文已经验证的能力。
t-SNE 轨迹可视化只提供定性连贯性证据，不能证明动态守恒或最终随机序列严格连续。本文也未报告独立于嵌入可视化的严格轨迹一致性保证。
完整 SSM 的采样耗时、概率校准与集合预报覆盖率没有在本文主结果中充分展开。表 4(b) 的效率结论不可直接当作完整生成系统的端到端部署成本。
原文表 1 的 SEVIR 用 VIL 的 kg/m²，RAPID 用降雨率 mm/h，两者不是相同物理量；正文却把 SEVIR 的 13.11 写成 mm/h，与表头存在单位不一致，不能据此作等单位的极端强度比较。
全文缓存中式 (2)、(4)、(5)、(6) 存在排版抽取损坏；本笔记保留可辨认关系并用文字解释，不补造 PDE 系数、桥采样器或缺失超参数。代码链接来自论文，未在本次阅读中验证可运行性。

评分¶

新颖性: 4/5。将教师引导的潜在 ODE 与随机桥细化用于连续降水预报，问题定位清楚，但基础组件已有成熟来源。
实验充分度: 4/5。覆盖两个数据集、多种间隔与阶段消融，但缺少完整生成成本和概率校准证据。
写作质量: 3/5。主线与消融清晰，但物理单位不一致、教师梯度和桥实现细节影响复现判断。
价值: 4/5。为密集时间查询和强降水结构恢复提供可借鉴的分工，同时明确保留长期预报与像素误差的限制。