基于数据同化的扩散模型驱动的风力场超分辨率
机器学习
2025-10-07 v1 人工智能
摘要
高质量的风力观测在空间和时间上稀缺，但广泛可用的模拟数据在规则网格上通常偏差较大，分辨率不足以用于风电场选址或评估极端天气相关风险（如阵风）的基础设施规模。为充分利用这两种数据类型以生成高质量、高分辨率的风力场速度（从几米到约100米离地高度），本研究引入了 WindSR，一种集成数据同化的扩散模型，用于风力场超分辨率下采样。WindSR 将稀疏观测数据与模拟场在下采样过程中通过最先进的扩散模型进行集成。引入动态半径混合方法以合并观测与模拟数据，为扩散过程提供条件。地形信息在训练和推理过程中均被纳入，以考虑其作为风力重要驱动因素的作用。相较于卷积神经网络和生成对抗网络基线，WindSR 在下采样效率和准确性方面均表现出色。我们的数据同化方法将 WindSR 的模型偏差减少约 20%，相对于独立观测数据。
引用
@article{arxiv.2510.03364,
title = {Diffusion-Based, Data-Assimilation-Enabled Super-Resolution of Hub-height Winds},
author = {Xiaolong Ma and Xu Dong and Ashley Tarrant and Lei Yang and Rao Kotamarthi and Jiali Wang and Feng Yan and Rajkumar Kettimuthu},
journal= {arXiv preprint arXiv:2510.03364},
year = {2025}
}