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

物理风险预测的最新技术需要进行昂贵的千米级数值模拟，而全球输入分辨率较粗。本文提出了一种千米级降尺度扩散模型作为一种经济有效的替代方法，该模型是从台湾的区域高分辨率天气模型经 ERA5 再分析数据训练而来。通过一个两步方法（ extit {ResDiff}）， extit {ResDiff} 在块状 RMSE 和 CRPS 评分上表现出令人鼓舞的技巧。预测的谱和分布能够忠实地恢复调节有害风和降水极端事件的重要幂律关系。研究了一些连贯的天气现象案例，显示了类似于学到的物理学的适当多变量关系，包括与冷锋中的强降雨相伴的尖锐风和温度变化，以及围绕台风眼壁的极端风和降雨带。找到了一些同时进行偏差校正的证据。首次尝试直接从操作全球预报模型进行降尺度成功地保留了许多这些优势。这意味着一个新的全球到区域的端到端机器学习天气预报时代可能即将到来。

Sep, 2023

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

本文研究了使用生成模型改善高分辨率气象数据在一些应用中的空间一致性问题，特别是在降水降尺度方面，该方法可应用于水文学等领域以应对气候变化。

Apr, 2023

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

使用深度学习模型进行 Earth System Models 的降尺度模拟，该方法不需要高分辨率真实数据，具有优越的性能和广泛应用于气候研究的潜力。

Jan, 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

数据驱动的深度学习模型正在改变全球的天气预报，但能否成功应用于气候建模仍存在挑战。本文提出了首个能够生成准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型每隔 6 小时进行一次时间步骤，并在 10 年的模拟中保持稳定。我们的方法超越了相关基准，并几乎达到了成功模拟气候模型的黄金标准。我们讨论了基于动力学信息扩散模型的关键设计选择，这为高效的数据驱动气候模拟迈出了重要一步，有助于更好地理解地球并适应不断变化的气候。

Jun, 2024

应用条件正规化流方法进行气候变量降尺度，成功对不同上采样因子的 ERA5 水含量数据集进行了性能展示，并展示了该方法能够通过拟合条件分布均值得出的标准差来评估预测的不确定性。

May, 2024