如何在地球系统科学中应用基于得分的扩散模型：卫星云图预报示例

机器学习（ML）被广泛应用于地球科学领域；然而，传统的以平方误差训练的ML方法常产生模糊的预报。扩散模型是一种新兴的生成式ML技术，能够通过学习数据分布来产生更锐利、更真实的图像。虽然扩散模型正变得更加流行，但为地球科学应用进行适配仍具有挑战，因为大多数文献侧重于方法的理论方面，而非使其广为实用。本工作以大气科学中的一个著名问题——云图预报（即时至三小时的预报）为例，阐述了基于得分的扩散模型。我们在讨论背景和直观之后，以地球同步卫星红外气象图为例，实验了三种类型的扩散模型：标准基于得分的扩散模型（Diff）、残差校正扩散模型（CorrDiff）和潜在扩散模型（LDM）。我们的结果表明，扩散模型不仅对现有云进行平流，还能生成和衰减云，包括对流初始。一个案例研究定性地显示，卷积神经网络在预报中保留高分辨率特征的时间更长。测试的三个扩散模型中，CorrDiff 方法表现最佳，超越了所有其他扩散模型、传统 U-Net 以及持久方法。扩散模型还实现了即插即用的集合生成，并具有优异的校准水平。通过解释和探索扩散模型用于解决常见问题，并通过总结将扩散模型应用于本任务中所学到的经验教训，本工作为社区提供了一个起点，以便在各种地球科学应用中利用扩散模型。