本文介绍了一种新的基于概率框架的统计降尺度方法,结合最优输运地图和后验条件采样模型,能够在无成对数据的情况下恢复气候统计数据。研究表明,该方法在气候变化和极端天气事件预测中表现显著,提供了高分辨率降水模式的有效预测,克服了传统降尺度方法的局限性。
本文综述了气候科学中统计降尺度与深度学习在局地降水预测方面的进展,重点介绍千米级降尺度方法ResDiff。该方法基于视频扩散模型、光流和时间条件扩散,可利用ERA5数据训练并还原极端事件的幂律关系,首次实现全球预报的直接降尺度。其他研究比较了传统方法与机器学习方法、生成对抗网络、Fourier神经算子、DeepSD及去噪扩散概率模型等,表明条件扩散模型在气候降尺度中效果显著。
完成下面两步后,将自动完成登录并继续当前操作。