通过扩大比例或超分辨率，为决策者提供关于气候模型输出的气候变化潜在风险和影响的详细高分辨率信息。机器学习算法在下降尺度方面表现出高效和准确的方式。本研究展示了一种生成式扩大、基于扩散的方法，能够提供精确的下降尺度结果。相比标准的 U-Net，在精细尺度上，扩散式方法具有更高的准确性，如频谱分解所示。此外，生成式方法还为用户提供了可用于风险评估的概率分布。该研究突出了扩散式下降尺度技术在提供可靠和详细的气候预测方面的潜力。

Apr, 2024

通过在 climate science 和 meteorology 领域中，利用 statistical downscaling 方法实现 local precipitation predictions 的数据驱动降尺度化，本研究通过扩展最近的视频扩散模型，结合光流和时间条件扩散模型，成功实现了高分辨率降水模式的预测。

Dec, 2023

本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是 SR3 和 ResDiff 架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用 WeatherBench 数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff 模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的 SR3 方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

Jun, 2024

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

通过引入扩散概率降尺度模型（DPDM），从 1° 分辨率高效地变换数据至 0.1° 分辨率，本研究解决了传统降尺度方法在面对不确定性时的局限性，并将该模型应用于东亚生成 180 年的月表面变量数据集，为理解过去几个世纪以来的当地尺度气候变化提供了更详细的视角。

Feb, 2024

我们通过 Latent Diffusion Model (LDM) 将 ERA5 数据向下扩展到 2 km 的分辨率，目标是证明生成建模的最新进展使得基于深度学习的模型可以提供与数值动力降尺度模型相媲美的结果，给定相同的输入数据（即 ERA5 数据），保留精细尺度特征和流动特性的逼真性。

Jun, 2024

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

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

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

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