精细空间尺度降水降尺度生成式机器学习方法比较

机器学习（ML）提供了一种计算高效的方法来生成大规模高分辨率气候预测集合，但确定性ML方法通常会平滑精细尺度结构并低估极端事件。虽然随机生成模型在预测精细尺度天气和极端事件方面显示出前景，但很少有研究比较它们在当前和未来气候下的性能。本研究比较了先前开发的具有强度约束的条件生成对抗网络（cGAN）与不同配置的扩散模型，用于对新西兰奥特亚罗瓦地区区域气候模型（RCM）的日降水进行降尺度。模型技能在空间结构、分布指标、均值、极端值及其各自的气候变化信号方面进行了全面评估。两种生成方法在大多数指标上均优于确定性基线，并表现出相似的整体技能。扩散模型能更好地预测降水的精细尺度空间结构和干旱期长度，但低估了极端降水的气候变化信号，与地面实况RCM相比。相比之下，cGAN在大多数指标上实现了相当的技能，同时以一小部分计算成本更好地预测了整体降水分布和极端事件的气候变化响应。这些结果表明，虽然扩散模型可以轻松生成具有更高视觉“真实感”的预测，但与具有强度约束的cGAN相比，它们不一定能更好地保留气候变化响应。目前，将约束纳入扩散模型仍比cGAN更具挑战性，但可能代表进一步提高预测气候变化响应技能的机会。