评估气候下卷帘模型的地理泛化与物理一致性
机器学习
2025-10-16 v1
摘要
千米尺度的天气数据对于实际应用至关重要，但仍难以通过传统天气模拟产生。深度学习模型作为更快的气候下卷帘解决方案正在涌现。然而，这些模型的可靠性仍存疑虑，因为它们通常仅使用标准机器学习指标进行评估，而非来自大气和气象物理学的见解。本文对最新 SOTA 深度学习模型进行基准测试，引入基于物理的诊断工具来评估其性能和可靠性，特别关注地理泛化与物理一致性。我们的实验表明，尽管诸如 CorrDiff 等模型在训练样本（如中欧）上表现似乎很强，但在 Iberia、摩洛哥南部或斯堪的纳维亚北部等其他地区难以泛化。它们也未能准确捕捉从预测速度场导出的二阶变量，如 divergence 与 vorticity。即便在分布内地理区域，此类缺陷仍然存在，表明在产生物理一致预测方面存在挑战。我们提出一种简单初始解决方案：引入功率谱密度损失函数，通过鼓励重建小尺度物理结构，实证改善地理泛化。可复现实验结果的代码位于 https://github.com/CarloSaccardi/PSD-Downscaling
引用
@article{arxiv.2510.13722,
title = {Assessing the Geographic Generalization and Physical Consistency of Generative Models for Climate Downscaling},
author = {Carlo Saccardi and Maximilian Pierzyna and Haitz Sáez de Ocáriz Borde and Simone Monaco and Cristian Meo and Pietro Liò and Rudolf Saathof and Geethu Joseph and Justin Dauwels},
journal= {arXiv preprint arXiv:2510.13722},
year = {2025}
}