Longwang：基于潜在生成先验的零样子全球时空降尺度降水模型
大气与海洋物理
2026-05-19 v1 机器学习
摘要
高分辨率降水信息对气候影响评估至关重要，但全球气候模型仍过于粗糙，无法解析关键的小尺度过程。现有的机器学习降尺度方法通常需要配对的低分辨率和高分辨率数据进行监督学习，受限于固定区域或尺度因子，且在物理空间中训练和运行可能昂贵。本文引入 Longwang，一个用于全球时空降水零样子潜在生成框架。Longwang 学习一个由上下文条件化的潜在生成先验，并通过后验采样将其与物理信息的观测算子相结合，使每日约 10 km 分辨率的降水场可从每月约 100 km 输入生成。基于 ERA5 再分析数据，Longwang 在重建细节空间模式、保持时序一致性和恢复极端降水强度方面，优于使用无条件生成先验的标准后验采样。该框架进一步推广到历史气候模拟和未来气候投影下，能够在显著分布迁移的情况下保持有效性。
引用
@article{arxiv.2605.17603,
title = {Longwang: Zero-Shot Global Spatiotemporal Precipitation Downscaling with a Latent Generative Prior},
author = {Yue Wang and Daniele Visioni},
journal= {arXiv preprint arXiv:2605.17603},
year = {2026}
}