利用生成型人工智能技术，从现有的少量预测数据中生成具有可靠性且准确度高的气象预测，且比传统方法成本少。

Jun, 2023

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

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

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

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

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

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

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

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

基于机器学习的概率天气预测模型 GenCast 在 1 度分辨率下可以比传统的集合系统更准确地预测天气，并展示了良好的可靠性和物理一致性。

Dec, 2023