SEEDS：利用扩散模型对天气预报集合进行仿真
机器学习
2023-10-10 v3 大气与海洋物理
摘要
不确定性量化对决策至关重要。一个突出的例子是数值天气预报中的概率预报。天气预报中表示不确定性的主流方法是生成预报集合。这通过在不同条件下运行大量基于物理的模拟来完成，是一个计算代价高昂的过程。我们提出利用从历史数据中学得的深度生成式扩散模型来仿真这些预报，从而分摊计算成本。所学模型在高性能计算加速器方面具有高度可扩展性，并能以低成本采样数百至数万个真实天气预报。当设计用于仿真业务预报集合时，所生成的集合在重要统计特性与预测技巧上与基于物理的集合相似。当设计用于修正业务预报系统中存在的偏差时，所生成的集合展现出改进的概率预报指标。它们更为可靠，且更准确地预报极端天气事件的概率。尽管本工作通过聚焦天气预报展示了该方法论的效用，该生成式人工智能方法论可扩展至气候建模中的不确定性量化，我们认为非常大规模气候预估集合的生成将在气候风险评估中发挥日益重要的作用。
引用
@article{arxiv.2306.14066,
title = {SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models},
author = {Lizao Li and Rob Carver and Ignacio Lopez-Gomez and Fei Sha and John Anderson},
journal= {arXiv preprint arXiv:2306.14066},
year = {2023}
}
备注
fixed a mistake of the previous version; the paper has not been submitted to neurips 2023