arXiv-2023
基于生成扩散模型的降水临近预报
近年来,深度学习方法对传统的精确天气预报数值方法提出了越来越大的挑战。许多用于短期和中期天气预报的历史数据集通常是一个规则的空间网格结构(time-level-lat-lon)。这种排列非常类似于图像: 每个天气变量都可以视为一张图片,或者在考虑时间轴时,可以视为一段视频。
几类生成模型,包括生成对抗网络,变分自动编码器,或最近的去噪扩散模型已经在很大程度上证明了它们对下一帧预测问题的适用性,因此很自然地希望在天气预测基准上测试它们的性能。在这种情况下,由于天气预报本身的概率特性,扩散模型特别有优势: 因为我们真正感兴趣的模型是大气变量的概率分布,希望得到的是概率预报。
在我们的研究中,我们重点关注 ERA-5 数据集的一个特定子集,其中包括2016年至2021年期间与中欧有关的每小时数据。在此背景下,我们检验扩散模式在处理降水临近预报任务中的有效性。我们的工作还与现有文献中表现良好的 U-Net 模型进行了比较。我们提出的生成集合扩散(GED)方法利用扩散模型生成一组可能的天气情景,然后通过使用后处理网络将这些情景合并成一个可能的预报。与最近的深度学习模型相比,这种方法在总体性能方面大大优于它们。
additional input
model
metric
result
Asperti A, Merizzi F, Paparella A, et al. Precipitation nowcasting with generative diffusion models[J]. arXiv preprint arXiv:2308.06733, 2023.
https://arxiv.org/pdf/2308.06733