基于扩散后验抽样的零样态气候下尺度化
人工智能
2026-02-10 v2
摘要
传统的监督式气候下尺度化在缺乏配对训练数据且与再分析数据之间存在固有的域间差距的情况下难以推广到全球气候模型(GCM)。与此同时，当前的零样态方法在大尺度因子下会出现物理不一致和梯度消失问题。我们提出零样态统计下尺度化(ZSSD)，一种在训练期间无需配对数据的零样态框架。ZSSD 利用从再分析数据中学习的物理一致气候先验，条件化地受制于地理边界和时间信息以确保物理有效性。此外，为实现跨异构 GCM 的稳健推断，我们引入统一坐标引导。这一策略解决了基础 DPS 中的梯度消失问题，并确保与大尺度场的一致性。结果表明，ZSSD 在 99 百分位误差上显著优于现有的零样态基线方法，并成功重建了热带气旋等复杂天气事件，跨越各种 GCM 实现了有效的重建。
引用
@article{arxiv.2601.21760,
title = {Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling},
author = {Ruian Tie and Wenbo Xiong and Zhengyu Shi and Xinyu Su and Chenyu jiang and Libo Wu and Hao Li},
journal= {arXiv preprint arXiv:2601.21760},
year = {2026}
}