Apr, 2023

具有准确不确定性量化的生成型降水预测的隐式扩散模型

PDF
TL;DR使用潜在扩散模型 (Latent Diffusion Model, LDM) 进行短期预测，可获得比生成对抗网络 (Generative Adversarial Networks, GANs) 更高质量和多样性的降水预测，LDM 较为稳定，需要较少的训练计算；该模型的优势在于生成更多样的预测并更准确地反映了预测错误 / 不确定性的图样分布测试结果，适用于天气和气候等领域。
发现论文，激发创造
  • 利用生成扩散模型进行降水预报

    研究利用扩散模型处理降水现在空间预测任务，在效果上显著优于其他深度学习模型。

    Aug, 2023

  • PreDiff: 隐式扩散模型的降水预测

    我们提出了一个两阶段的概率时空预测流程：1）我们开发了 PreDiff，一个能够进行概率预测的条件潜在扩散模型。2）我们通过在去噪步骤中估计所施加约束的偏差并相应地调整过渡分布，结合了显式的知识控制机制，以使预测与领域特定的物理约束相一致。实验在两个数据集上进行，分别是具有混沌行为的合成数据集 N-body MNIST 和代表降雨预测的真实世界数据集 SEVIR。实验结果显示 PreDiff 在处理不确定性、整合领域特定先验知识和生成具有高操作效能的预测方面的有效性。

    Jul, 2023

  • SRNDiff: 基于条件扩散模型的短期降雨预测

    通过引入扩散模型于降水预测任务，提出了一种基于历史观测数据的短时降水预报条件扩散模型（SRNDiff）。SRNDiff 通过在去噪过程中加入额外的条件解码器模块，实现了端到端的降水预测。该模型在条件生成方面超越了 GANs，虽然需要更多计算资源，但在训练过程中表现出更高的稳定性和效率，并生成更能反映未来降水情况的高质量降水分布样本。这充分验证了扩散模型在降水预测中的优势和潜力，并为提升降水预测提供了新的见解。

    Feb, 2024

  • 基于实际预测过程引导的扩散天气预测

    应用扩散模型实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性。

    Feb, 2024

  • 使用物理知情鉴别生成模型进行降水即时预报

    使用荷兰皇家气象研究所（KNMI）的降水和气象数据，我们设计了一种物理信息神经网络用于降水预报，该模型在生成对抗学习框架中直接将物理监督集成进去，并采用了 VQ-GAN 和 Transformer 生成器以及时间鉴别器，研究结果表明，PID-GAN 模型在降水预报下游指标上优于数值和 SOTA 深度生成模型。

    Jun, 2024

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • 两阶段降雨预测扩散模型

    通过提出一种两阶段降雨预测扩散模型 (TRDM)，我们改善了深度神经网络在长期降雨预报中的准确性，解决了模糊生成图像和空间位置错误的问题。第一阶段捕捉强大的时间信息并保留低分辨率条件下的空间信息，第二阶段对第一阶段生成的低分辨率图像进行高分辨率重建。我们展示了在 MRMS 和瑞典雷达数据集上最先进的结果。

    Feb, 2024

  • 使用深度生成模型进行降水熟练的即时预报

    使用深度生成模型从雷达数据预测监测降水，可以提高预测值和操作效用，尤其在预测较强降雨事件方面表现优秀。

    Apr, 2021

  • 确定性引导扩散模型用于概率天气预报

    该论文介绍了一种用于天气预报的确定性导向扩散模型（DGDM），它整合了确定性和概率方法的优势，既能提供准确预测，又能进行概率预测。通过在正向过程中训练确定性模型和概率模型，并利用确定性模型的预测结果作为概率模型的起始点，在全球和区域预测方面，DGDM 取得了最先进的结果。

    Dec, 2023

  • 潜在一致性模型：用少量推理步骤合成高分辨率图像

    利用潜在一致性模型（LCMs）解决迭代抽样过程在高分辨率图像合成中的计算负担和生成速度慢的问题，LCMs 通过直接预测导引反向扩散过程的 ODE 解决方案在潜空间中，实现了快速、高保真度的采样。

    Oct, 2023