AI 可实现动态下采样吗？用于模拟 COSMO5.0_CLM9 仿真的潜在扩散模型

下采样技术是地球系统建模中深度学习应用的最突出领域之一。一个稳健的深度学习下采样模型可以生成来自粗尺度数值模型仿真的高分辨率场，节省了区域/局部模型的时间和资源密集型应用。此外，生成式深度学习模型有望通过生成类似 ensemble 的情景池来提供不确定性信息，而这一任务在传统数值仿真中是计算上昂贵的。本研究中，我们应用潜在扩散模型（LDM）对意大利的 ERA5 数据进行下采样，分辨率提升至 2 公里。高分辨率目标数据包括来自 COSMO_CLM 动态下采样的 2 米温度和 10 米水平风分量。我们的目标是展示，近期的生成式建模技术是否使深度学习能够在相同输入数据下，提供与数值动态模型相当的结果，同时保持细尺度特征和流动特性的真实性。我们使用 ERA5 中的一部分预测量作为 LDM 的输入，并借助对参考 UNET 的残差方法来应用 LDM。将生成式 LDM 的性能与参考基线进行比较，这些基线的复杂度逐步增加：ERA5 的二次插值、一个 UNET，以及基于相同参考 UNET 的生成对抗网络（GAN）。结果突出了 LDM 架构和残差方法相对于这些基线所带来的改进。对模型进行了针对年度测试数据集的评估，通过确定性指标、误差的空间分布以及频率和功率谱分布的重建来评估模型性能。