PreDiff: 隐式扩散模型的降水预测

Jul, 2023

PreDiff: Precipitation Nowcasting with Latent Diffusion Models

Zhihan Gao, Xingjian Shi, Boran Han, Hao Wang, Xiaoyong Jin...

TL;DR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。

Abstract

earth system forecasting has traditionally relied on complex physical models that are computationally expensive and require significant domain expertise. In the past decade, the unprecedented increase in spatiotemporal Earth observation data has enabled data-driven forecasting models u

earth system forecasting deep learning techniques probabilistic spatiotemporal forecasting prediff domain-specific prior knowledge

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

DiffCast：基于残差扩散的降水即时预报统一框架

降水现在预测是基于当前观测预测雷达回波序列的一个重要的时空预测任务，该任务对气象科学和智能城市应用都有着重要的意义。为了解决此问题，我们提出了一种从全球确定性运动和局部随机变化的角度分解和建模降水系统的方法，并基于残差扩散提出了一个统一而灵活的框架，有效地解决了以前方法的不足之处。广泛的实验结果表明，与最先进的技术相比，我们提出的框架具有很好的效果和优越性。我们的代码将很快公开提供。

Dec, 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

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。

Apr, 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

使用深度神经网络进行降水现在预报

本研究使用三种深度学习模型（U-net、ConvLSTM 和 SVG-LP）在二维降水图上进行降雨即时预测，并提出了补丁提取算法以获得高分辨率的降水地图和损失函数来解决图像模糊问题和减少降水地图中零值像素的影响。

Mar, 2022

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

DiffObs: 卫星观测全球预测的生成式扩散

本研究提出了一种自回归生成扩散模型（DiffObs），用于预测全球日降水的演变，该模型基于卫星观测产品进行训练，并通过领域特定的诊断进行评估。该模型被训练用于概率性地预测一天前的降水。尽管存在次要问题和偏见，结果证实了在实际的亚季节和气候预测应用中，通过对日益稀疏，直接和差异化的观测进行训练的全球扩散模型的潜力。

Apr, 2024

基于深度学习的降水预报和估计的有效训练策略

本研究提出了一种基于深度学习的预降水方案，利用 U-Net 模型和预训练技术来提高预测性能，使用新的损失函数减轻类别不平衡问题，实验表明相较于传统方法，本方法的准确性和精度在降水预报和降水估算中都有所提高。

Feb, 2022

地球系统模型降水的条件扩散模型用于降尺度与偏差修正

气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量并保留了大尺度空间模式。

Apr, 2024

使用条件扩散模型生成高分辨率区域降水

本文提出了一种基于去噪扩散概率模型（DDPM）的深度生成模型，用于区域尺度的气候数据降尺度，通过多个低分辨率气候变量的条件生成，实验证明该模型在降尺度气候数据方面具有显著改进，突出了条件扩散模型在气候数据降尺度中的有效性。

Dec, 2023