Dec, 2023

确定性引导扩散模型用于概率天气预报

PDF
TL;DR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。
weather forecastingprobabilistic predictiondeterministic guidance diffusion modelglobal forecastingregional forecasting
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于扩散模型的东亚气候重建 180 年的概率降尺度

    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

  • 使用扩散模型模拟天气预报集合

    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

  • 基于观测引导的扩散概率模型

    我们提出了一种新颖的扩散模型，称为观测引导扩散概率模型 (OGDM)，它有效地解决了质量控制和快速采样之间的权衡问题。

    Oct, 2023

  • GenCast：基于扩散的中期天气集成预测

    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

  • MG-TSD: 多粒度时间序列扩散模型的引导式学习过程

    引入了一种新颖的多粒度时间序列扩散（MG-TSD）模型，通过利用数据中的内在粒度级别作为中间扩散步骤的给定目标来指导扩散模型的学习过程，实现了最先进的预测性能。

    Mar, 2024

  • 约束满足的投影式生成扩散模型

    本文介绍了一种投影生成扩散模型（PGDM），通过对约束优化问题的迭代投影方法，使生成的数据忠实地遵循指定的约束条件或物理原理，并在复杂非凸约束和常微分方程的情况下进行了大量的理论和实证支持，展示了在视频生成中的物理信息运动、路径规划中的轨迹优化以及材料科学中形态特性的遵循等方面的能力。

    Feb, 2024

  • SwinRDM: 将 SwinRNN 与扩散模型结合，实现高分辨率、高质量的天气预测

    本文介绍了一种基于数据驱动模型 SwinRDM 的、合成了改进版 SwinRNN 和扩散模型的高分辨率天气预测方法，它在 500 hPa 高度位势（Z500）、850 hPa 温度（T850）、2-m 温度（T2M）和总降水（TP）等关键气象变量上的预测准确率超过了目前的 NWP 模型，可达到 0.25 度的空间分辨率，为将数据驱动的预测模型推向操作应用提供了重要参考。

    Jun, 2023