使用生成扩散建模进行公里尺度对流允许模型的仿真
内容提要
本文探讨了深度生成模型和扩散模型在降水预测中的最新进展，特别是在强降雨事件的即时预报方面。研究提出的CasCast框架和DiffObs模型有效整合高分辨率数据，提高了预测的准确性和稳定性。人工智能模型如Pangu-Weather和GraphCast在天气预报中表现优越，为灾害管理提供了新机遇。
延伸解读
从全球到区域：降尺度扩散模型的价值
文章指出，传统公里级数值模拟成本高昂，而全球模型分辨率较粗。提出的千米级降尺度扩散模型，利用台湾区域高分辨率天气模型和ERA5再分析数据训练，通过两步ResDiff方法，在块状RMSE和CRPS评分上表现良好，并能恢复对极端风和降水重要的幂律关系。这为经济有效地获得区域高分辨率预测提供了新思路，并首次尝试直接从操作全球预报模型降尺度，保留了诸多优势。
CasCast与DiffObs：概率预测的两种路径
CasCast采用级联框架，将中尺度降水分布与小尺度模式预测分离，通过高分辨率训练和低维潜空间概率建模，使用帧导向扩散变换器优化极端事件，在区域极端降水即时预报中性能显著优于基线（高达+91.8%）。DiffObs则是自回归生成扩散模型，基于卫星观测产品训练，用于全球日降水演变的概率预测，尽管存在次要问题和偏见，但证实了在亚季节和气候预测中的潜力。两者分别针对区域和全球尺度，展示了扩散模型在降水预测中的多样化应用。
AI气象模型在强对流预测中的进展与局限
Pangu-Weather、GraphCast和FourCastNet等AI模型能在几秒内提供与最先进业务预报相媲美的多天预报，在CAPE和DLS预测上表现相对准确，GraphCast和Pangu-Weather全球表现最佳，甚至超过IFS。但神经气象模型从垂直压力粗糙层导出的CAPE缺乏数值模型的垂直细分辨率，直接预测CAPE虽有前景，但需进一步评估。这为快速低成本严重天气预测开辟了机遇，同时提示需关注垂直分辨率的限制。
深度生成数据同化：加速与挑战
数据同化对天气预报初始化至关重要。深度生成数据同化方法无需重新训练模型即可使用新数据，加速了昂贵的数据同化过程。在美国中部测试区域，基于得分的数据同化在千米尺度真实天气情境中可行，融合稀疏气象站数据后，对剩余站点达到10%的较低根均方差，且生成场景具有物理合理结构。但集合数据同化估计欠精确等局限性仍存，这是千米尺度上的首次概念验证，未来可探索结合更多观测数据流。
Q&A
深度生成模型在降水预测中有什么优势？
深度生成模型在降水预测中表现出色，尤其在强降雨事件的即时预报方面，能够提高预测的准确性和稳定性。
CasCast框架是如何提高降水预测的准确性的？
CasCast框架通过高分辨率数据训练，优化了中尺度降水分布和小尺度模式的预测，显著提高了区域极端降水的即时预报性能。
DiffObs模型的主要应用是什么？
DiffObs模型用于全球日降水的概率预测，基于卫星观测产品进行训练，显示出在亚季节和气候预测中的潜力。
人工智能模型在天气预报中有哪些表现？
人工智能模型如Pangu-Weather和GraphCast在天气预报中表现优越，能够快速提供高精度的多天天气预报，为灾害管理提供新机遇。
深度生成数据同化方法的优势是什么？
深度生成数据同化方法能够在不重新训练模型的情况下使用新输入数据，大大加速了天气预报模型的数据同化过程。
扩散模型在天气预报中的应用前景如何？
扩散模型在天气预报中展现出灵活性和可控性，能够整合数值天气预报和气候数据，提高长期预测的稳定性。
