一种基于扩散框架的高分辨率降水预报方法（覆盖CONUS）
机器学习
2025-12-11 v1
摘要
准确的降水预报对于水文气象风险管理至关重要，尤其是对于预测可能导致山洪和基础设施损坏的极端降雨。本研究引入了一个基于扩散的深度学习（DL）框架，系统地比较了三种仅在其输入来源上不同的残差预测策略：（1）仅使用多雷达多传感器（MRMS）系统过去观测的完全数据驱动模型，（2）仅使用高分辨率快速更新（HRRR）数值天气预报系统预报的校正模型，以及（3）整合MRMS和选定HRRR预报变量的混合模型。通过在统一设置下评估这些方法，我们更清晰地了解了每个数据源如何对美国大陆（CONUS）的预测技能做出贡献。预报以1公里空间分辨率生成，从直接的1小时预测开始，并通过自回归展开扩展到12小时。性能使用CONUS-wide和区域特定指标进行评估，这些指标评估整体性能和极端降雨阈值处的技能。在所有预报时效上，我们的DL框架持续优于HRRR基线，在逐像素和空间统计指标上表现优异。混合模型在最短预报时效上表现最佳，而HRRR校正模型在较长预报时效上优于其他模型，在12小时内保持高技能。为评估可靠性，我们引入了针对残差学习设置量身校准的不确定性量化。这些增益，特别是在较长预报时效上，对于应急准备至关重要，其中预报时效的适度增加可以改善决策制定。这项工作通过提升预测技能、可靠性和跨区域适用性，推进了基于深度学习的降水预报。
引用
@article{arxiv.2512.09059,
title = {A Diffusion-Based Framework for High-Resolution Precipitation Forecasting over CONUS},
author = {Marina Vicens-Miquel and Amy McGovern and Aaron J. Hill and Efi Foufoula-Georgiou and Clement Guilloteau and Samuel S. P. Shen},
journal= {arXiv preprint arXiv:2512.09059},
year = {2025}
}