结合 Swin-Unet 与扩散模型的数据驱动中尺度天气预报
机器学习
2025-03-26 v1 大气与海洋物理
摘要
数据驱动的天气预报模型展现出良好的性能并持续取得进展。其中,扩散模型能够表征精细尺度细节而无需空间平滑,这对中尺度预报(如强降雨预报)至关重要。然而,扩散模型在中尺度预报中的应用仍然有限。为填补这一空白,本研究提出了一种将扩散模型与 Swin-Unet 作为确定性模型相结合的架构,在保持灵活性的同时实现中尺度预报。该架构对两个模型进行独立训练,从而在确定性模型更新时扩散模型可保持不变。通过 Fractions Skill Score 和功率谱分析进行的对比表明,引入扩散模型相较于不使用扩散模型的预测可提升精度。这些发现凸显了所提架构在增强中尺度预报(尤其是强降雨事件)方面的潜力,同时保持了灵活性。
引用
@article{arxiv.2503.19354,
title = {Data-driven Mesoscale Weather Forecasting Combining Swin-Unet and Diffusion Models},
author = {Yuta Hirabayashi and Daisuke Matsuoka},
journal= {arXiv preprint arXiv:2503.19354},
year = {2025}
}