基于残差校正扩散模型的中国区域3公里降尺度
机器学习
2026-02-10 v4 人工智能
大气与海洋物理
摘要
数值天气预报中的一个基本挑战是高效生成高分辨率预报。常见的解决方案是对全球模型的输出应用降尺度方法，包括动力降尺度和统计降尺度。本工作聚焦于统计降尺度，即利用统计模型建立低分辨率和高分辨率历史数据之间的统计关系。深度学习已成为这一任务的强大工具，催生了各种高性能超分辨率模型，可直接用于降尺度，如扩散模型和生成对抗网络。本工作依赖于一个名为 CorrDiff 的基于扩散的降尺度框架。与 CorrDiff 的原始工作相比，本工作考虑的区域大约大 40 倍，我们不仅考虑原始工作中的地表变量，还将高层变量（六个气压层）作为目标降尺度变量。此外，添加了全局残差连接以提高准确性。为了生成中国区域的 3 公里预报，我们将训练好的模型应用于中国气象局（CMA）的 CMA-GFS 全球网格预报（25 公里分辨率）以及 SFF——一个基于球面傅里叶神经算子（SFNO）开发的数据驱动深度学习天气模型。CMA-MESO，一个高分辨率区域模型，被选为基线模型。实验结果表明，本方法降尺度得到的预报在目标变量的平均绝对误差（MAE）方面总体上优于 CMA-MESO 的直接预报。我们对雷达组合反射率的预报表明，CorrDiff 作为一种生成模型，能够生成精细尺度细节，从而产生比相应确定性回归模型更真实的预测。
引用
@article{arxiv.2512.05377,
title = {China Regional 3km Downscaling Based on Residual Corrective Diffusion Model},
author = {Honglu Sun and Hao Jing and Zhixiang Dai and Sa Xiao and Wei Xue and Jian Sun and Qifeng Lu},
journal= {arXiv preprint arXiv:2512.05377},
year = {2026}
}