用于公里尺度大气降尺度的残差校正扩散建模
机器学习
2024-08-13 v4 大气与海洋物理
摘要
当前天气与气候物理灾害预测的最优方法需要由较粗分辨率全球输入驱动的昂贵公里尺度数值模拟。本文探索了一种生成式扩散架构，用于将此类全球输入降尺度至公里尺度，作为一种具成本效益的机器学习替代方案。该模型以25km全球再分析数据为条件，训练用于从台湾区域天气模型预测2km数据。为解决大分辨率比、不同尺度涉及的不同物理过程以及预测超出输入数据通道的问题，我们采用两步方法：由UNet预测均值，由校正扩散（CorrDiff）模型预测残差。CorrDiff在整体MAE与CRPS分数上展现出令人鼓舞的技巧。CorrDiff预测的能谱与分布忠实恢复了目标数据中重要的幂律关系。对相干天气现象的案例研究表明，CorrDiff可帮助锐化冷锋中强降雨共位的风与温度梯度，并有助于增强台风强度及合成雨带结构。模型不确定性的校准仍具挑战性。将CorrDiff之类的方法与较粗分辨率全球天气模型统一的前景，意味着全球到区域多尺度机器学习模拟的潜力。
引用
@article{arxiv.2309.15214,
title = {Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling},
author = {Morteza Mardani and Noah Brenowitz and Yair Cohen and Jaideep Pathak and Chieh-Yu Chen and Cheng-Chin Liu and Arash Vahdat and Mohammad Amin Nabian and Tao Ge and Akshay Subramaniam and Karthik Kashinath and Jan Kautz and Mike Pritchard},
journal= {arXiv preprint arXiv:2309.15214},
year = {2024}
}