DiffScale：基于扩散模型的亚季节风速预测连续下采样与偏差纠正
机器学习
2025-04-01 v1 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
可再生能源资源强烈依赖于局部和大尺度天气情况。超出两周、可达两个月的亚季节至季节（S2S）预测可为能源部门带来显著的经济利益。本研究旨在使用带有分类自由指导的扩散模型来提高地面风速预测的精度。我们提出了DiffScale，一种能够对连续下采样因子和 lead 时间进行空间信息超分辨率的扩散模型。利用天气先验作为扩散模型生成过程的指导，我们采用条件概率的视角对采样超分辨率S2S预测。我们的目标是直接估计不同空间分辨率和 lead 时间下目标S2S预测的密度，无需自回归或序列预测，从而实现高效且灵活的模型。设计了合成实验，将来自欧洲中期天气预报中心（ECMWF）的风速S2S预测从粗糙分辨率下采样到更细的ERA5再分析数据的高分辨率目标。DiffScale的创新之处在于其能够对任意下采样因子进行下采样，使其能够在不重新训练模型的情况下推广到各种网格分辨率和 lead 时间——同时纠正模型误差，成为一种灵活的工具，用于提高S2S风速预测质量。我们在第3周之前实现了显著的预测质量提升，超越了基线方法。
引用
@article{arxiv.2503.23893,
title = {DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models},
author = {Maximilian Springenberg and Noelia Otero and Yuxin Xue and Jackie Ma},
journal= {arXiv preprint arXiv:2503.23893},
year = {2025}
}
备注
28 pages, 18 figures, preprint under review