PuYun-LDM：用于高分辨率 ensemble 天气预报的潜在扩散模型
人工智能
2026-02-16 v2
摘要
潜在扩散模型（LDMs）在高分辨率（<=0.25度）ensemble 天气预报中受限于扩散性，其中扩散性表征为潜在数据分布能被扩散过程轻松建模的程度。不同于自然图像场，气象场缺乏任务无关的基础模型和显式语义结构，使得基于 VFM 的正则化方法不可应用。此外，现有的频率方法在假设均匀性的前提下对所有通道实施相同的谱正则化，导致在多变量气象数据中变量间谱异质性下，正则化强度不均。为此，我们提出了 3D 掩码自编码器（3D-MAE），将天气状态演化特征编码为额外的条件输入供扩散模型使用，同时提出了变量感知掩码频率建模（VA-MFM）策略，基于每个变量的谱能分布自适应选择阈值。综上，我们提出了 PuYun-LDM，通过增强潜在扩散性，在短预报时间内实现超越 ENS 的性能，而在较长预报时间内保持与 ENS 相当的表现。PuYun-LDM 能在单张 NVIDIA H200 GPU 上以 6 小时的时间分辨率在 15 天全球范围内生成预报，且能够高效并行生成 ensemble 预报。
引用
@article{arxiv.2602.11807,
title = {PuYun-LDM: A Latent Diffusion Model for High-Resolution Ensemble Weather Forecasts},
author = {Lianjun Wu and Shengchen Zhu and Yuxuan Liu and Liuyu Kai and Xiaoduan Feng and Duomin Wang and Wenshuo Liu and Jingxuan Zhang and Kelvin Li and Bin Wang},
journal= {arXiv preprint arXiv:2602.11807},
year = {2026}
}