TAUDiff：利用生成扩散模型实现高效千米级降尺度
机器学习
2025-03-14 v2
摘要
基于确定性回归的气候变量降尺度模型常受谱偏差影响，而扩散模型等生成模型可缓解这一问题。为了实现极端天气事件的高效可靠模拟，快速周转、动力学一致性和准确的时空谱恢复至关重要。我们提出了一种高效的校正扩散模型TAUDiff，它将用于平均场降尺度的确定性时空模型与用于恢复细尺度随机特征的较小生成扩散模型相结合。我们通过降尺度从粗分辨率GCM模拟中获得的大气风速场证明了该方法的有效性。随后，我们将TAUDiff扩展用于计算高效的千米级大气风速场降尺度。由于推理时间短，我们的方法能够确保更快地模拟极端事件，这对于评估相关风险和经济损失是必要的。
引用
@article{arxiv.2412.13627,
title = {TAUDiff: Highly efficient kilometer-scale downscaling using generative diffusion models},
author = {Rahul Sundar and Yucong Hu and Nishant Parashar and Antoine Blanchard and Boyko Dodov},
journal= {arXiv preprint arXiv:2412.13627},
year = {2025}
}