基于条件流匹配的阿拉斯加最大 3 天降雪概率下采样
计算物理
2026-04-29 v1 机器学习
大气与海洋物理
摘要
复杂地形上的降水受尺度为几公里的山体作用过程控制，但气候模型通常以 50--100 km 的分辨率运行，其中缺乏这种地形细节。基于 WRF 等高分辨率区域模式进行动力下采样可解析这些过程，但计算成本——每个情景需要数月的 wall-clock 时间——阻碍了大规模集合不确定性量化。我们提出 WxFlow，一种基于流匹配的条件生成模型，学习将粗分辨率气候模型输出和高分辨率地形映射到细尺度降水场的校准概率集合。应用于 southeast阿拉斯加 4 km WRF 模拟的最大 3 天降雪时，WxFlow 在谱保真度上实现了 87.8% 的改进，连续排名概率得分显著低于常规坡度率校正的立方差下采样方法，同时在笔记本电脑上仅用数秒即可生成 50 成员集合。集合扩散在空间上具有一致性，由地形控制，反映了物理上合理的不确定性结构。所有代码均可用 https://github.com/glide-ism/wrf-flow 获取。
引用
@article{arxiv.2604.25172,
title = {Conditional Flow Matching for Probabilistic Downscaling of Maximum 3-day Snowfall in Alaska},
author = {Douglas Brinkerhoff and Elizabeth Fischer},
journal= {arXiv preprint arXiv:2604.25172},
year = {2026}
}