基于扩散模型的轻量级气候模拟器高分辨率气候投影
机器学习
2026-02-17 v1
摘要
数据驱动模型在气象和气候科学中的广泛应用标志着一个重大范式转变，虽然这些先进模型在中期预报方面展现出卓越的技能，但由于长期不稳定性、气候漂移以及训练和推理过程中的高计算成本，限制了其在气候研究中的更广泛应用。为克服这些限制，Guan 等人 (2024) 引入了 LUCIE——一个轻量级且具有物理一致性的气候模拟器，采用球谐傅里叶神经算子 (SFNO) 架构。该模型能够再现准确的长期统计特征，包括气候学均值和季节性变化。然而，LUCIE 的本机分辨率约为 300 公里，对于详细的区域影响评估而言不够。为克服这一限制，我们引入一种基于深度学习的下采样框架，利用具有条件和后验采样框架的概率扩散生成模型。这些模型将粗糙的 LUCIE 输出下采样至 25 公里分辨率。它们在约 14,000 个覆盖 2000-2009 年的 ERA5 时序数据上进行训练，并在 LUCIE 2010-2020 年的预测结果上进行评估。通过多种指标评估模型性能，包括纬度平均 RMSE、功率谱、概率密度函数以及 zonal wind 的第一经验正交函数。我们观察到，所提出的方法能够保留 LUCIE 的粗尺度动力学，同时在约 28 公里分辨率下生成细尺度的气候统计特征。
引用
@article{arxiv.2602.13416,
title = {High-Resolution Climate Projections Using Diffusion-Based Downscaling of a Lightweight Climate Emulator},
author = {Haiwen Guan and Moein Darman and Dibyajyoti Chakraborty and Troy Arcomano and Ashesh Chattopadhyay and Romit Maulik},
journal= {arXiv preprint arXiv:2602.13416},
year = {2026}
}