다중 위성 강수량 추정 시스템을 위한 플러그 앤 플레이 생성 프레임워크

A plug-and-play generative framework for multi-satellite precipitation estimation

신뢰성 있는 강수량 모니터링은 재난 위험 감소, 수자원 관리 및 농업 의사 결정에 필수적입니다. 특히 정지 궤도 적외선 및 수동 극초파 관측을 결합한 다중 소스 위성 관측은 강수량 탐지의 주요 수단으로 자리 잡았습니다. 기존의 다중 소스 위성 강수량 추정 방법은 계산 효율성이 낮으며, 많은 딥 러닝 방법은 전체 모델을 재학습하지 않고도 새로운 센서를 통합할 수 있는 유연성이 부족합니다. 본 연구에서는 PRISMA (Precipitation Inference from Satellite Modalities via generAtive modeling)라는 플러그 앤 플레이 잠재 생성 프레임워크를 소개합니다. PRISMA는 IMERG Final 데이터를 기반으로 무조건적인 강수량 사전 지식을 학습하고, 독립적으로 학습된 센서별 조건부 브랜치를 통해 이를 제약합니다. 이를 통해 생성 모델의 핵심 부분을 재학습하지 않고도 새로운 관측 소스를 통합할 수 있습니다. FY-4B AGRI 적외선 및 GPM GMI 극초파 관측 데이터에 PRISMA를 적용한 결과, 적외선만 사용한 추정 방식에 비해 극초파 관측 영역에서 Critical Success Index를 최대 40.3% 향상시키고, 제곱근 평균 제곱 오차를 22.6% 감소시켰습니다. 또한, 확률적 예측 성능이 향상되었으며, 평균 추론 시간은 약 37초로 유지되었습니다. 중국 전역의 독립적인 강우 관측 데이터를 통해 일관된 성능 향상이 확인되었으며, 태풍 사례 연구에서는 극초파 관측 데이터가 태풍의 안벽 및 나선형 강수대 구조를 복원하여, 태풍 중심부의 평균 절대 오차를 최대 42.3% 감소시키는 것을 확인했습니다. 따라서 PRISMA는 다중 센서 강수량 추정을 위한 확장 가능하고 효율적인 프레임워크를 제공합니다.

Reliable precipitation monitoring is essential for disaster risk reduction, water resources management, and agricultural decision-making. Multi-source satellite observations, particularly the combination of geostationary infrared and passive microwave measurements, have become a primary means of precipitation detection. Traditional multi-source satellite precipitation estimation methods remain computationally inefficient, and many deep learning methods lack the flexibility to incorporate new sensors without retraining the full model. Here we introduce PRISMA (Precipitation Inference from Satellite Modalities via generAtive modeling), a plug-and-play latent generative framework for multi-sensor precipitation estimation. PRISMA learns an unconditional precipitation prior from IMERG Final fields and constrains it through independently trained, sensor-specific conditional branches, allowing new observation sources to be incorporated without retraining the generative backbone. Applied to FY-4B AGRI infrared and GPM GMI microwave observations, PRISMA improves Critical Success Index by up to 40.3% and reduces root-mean-square error by 22.6% relative to infrared-only estimation within microwave swaths, while also improving probabilistic skill and maintaining an average inference time of about 37 s. Independent rain-gauge validation across China confirms consistent gains, and typhoon case studies show that microwave conditioning restores eyewall and spiral rainband structures, reducing storm-core mean absolute error by up to 42.3%. PRISMA thus provides an extensible and efficient framework for multi-sensor precipitation estimation.