Tyche：用于高效概率天气预报的单步流模型
机器学习
2026-05-11 v1
摘要
概率天气预报不仅需要准确的轨迹，还需要在合理的大气未来上具有校准的分布。近期数据驱动的系统已经取得了显著的确定性技巧，而基于扩散的集合预报器大幅提升了样本的真实性和不确定性量化。然而，它们的推理成本随预报时效、集合大小以及每次转换所需的去噪步骤数量而扩展，使得大型业务集合成本高昂。为了解决这个问题，我们提出了 Tyche，一种用于高效概率天气预报的单步条件流模型。Tyche 使用目标感知的平均速度流对条件预报分布进行建模，该流在一次函数评估（1-NFE）中将高斯噪声直接映射到未来天气状态。为了使这种单步传输在高维地球物理场中可学习，我们推导了一个 JVP 正则化的矫正目标，它在不显式形成雅可比矩阵的情况下，跨源和目标流时间步强加了时间自洽性。传输场由一个各向同性的 Swin 风格 Transformer 参数化，该 Transformer 在保持细粒度空间结构的同时，在全球网格上保持可扩展性。为了提高自回归预报下的集合可靠性，我们进一步引入了带有课程 CRPS 校准监督的基于 rollout 的微调阶段。在 ERA5 1.5 和 6 小时分辨率上的实验表明，我们的 Tyche 仅使用单个 NFE，就匹配或超过了 state-of-the-art 的多步生成基线以及业务 ECMWF IFS 集合的预报技巧和校准。
引用
@article{arxiv.2605.06916,
title = {Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting},
author = {Fan Xu and Yuan Gao and Kun Wang and Rui Su and Fenghua Ling and Hao Wu and Wanli Ouyang},
journal= {arXiv preprint arXiv:2605.06916},
year = {2026}
}