用于地球系统模型降水降尺度和偏差校正的条件扩散模型
地球物理
2026-02-03 v2 人工智能
机器学习
大气与海洋物理
摘要
气候变化加剧了极端天气事件，如强降雨和洪水。由于这些事件造成严重的社会经济损害，因此对降水进行高分辨率精确模拟至关重要。然而，现有的地球系统模型（ESM）难以解析小尺度动力学，并且存在偏差。传统的统计偏差校正和降尺度方法在改善空间结构方面存在不足，而最近的深度学习方法缺乏可控性且训练不稳定。在此，我们提出了一种用于同时进行偏差校正和降尺度的机器学习框架。我们首先将观测数据和ESM数据映射到一个共享的嵌入空间，在该空间中两者彼此无偏，然后训练一个条件扩散模型来逆转该映射。仅使用观测数据进行训练，因此扩散模型可用于校正和降尺度任何ESM场，而无需重新训练。我们的方法确保了统计保真度，并保留了大于所选空间校正尺度的空间模式。我们证明，我们的方法在极端事件方面尤其优于现有的统计和深度学习方法。
引用
@article{arxiv.2404.14416,
title = {Conditional diffusion models for downscaling and bias correction of Earth system model precipitation},
author = {Michael Aich and Philipp Hess and Baoxiang Pan and Sebastian Bathiany and Yu Huang and Niklas Boers},
journal= {arXiv preprint arXiv:2404.14416},
year = {2026}
}