Apr, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • DiffESM: 带有扩散模型的地球系统模型条件仿真

    本文提出了一种基于扩散模型的深度学习模型，能够在只需小部分计算资源的情况下，准确模拟出影响人类行为的气候极端事件，并成功地生成了地球物理模型中的现象，比如高温，干旱和降雨强度。

    Apr, 2023

  • 自监督视觉在气候尺度调整中的应用

    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

  • 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

  • 基于生成式基础模型的快速、自适应和不确定性感知的地球系统模型场景下尺度缩放

    使用一种高效准确的一次训练模型，通过机器学习来降低任意地球系统模型的计算复杂度，同时实现了无需重新训练模型即可普适于未知气候状态的高分辨率降尺度。

    Mar, 2024

  • 基于扩散的地球系统模型温度和降水联合模拟

    借助生成式深度学习方法，将地球系统模型（ESMs）进行仿真以获得逼真的气候样本，具有与 ESMs 相似的气候指标，适用于通过生成未来气候预测。

    Apr, 2024

  • 机器学习方法在统计降尺度中的比较：以日降水和极端降水为例

    本文针对机器学习在全球气候模型统计降尺度中的应用进行研究，将 Bias Correction Spatial Disaggregation, Ordinary Least Squares, Elastic-Net, Support Vector Machine 等方法与 Multi-task Sparse Structure Learning, BCSD 和 Convolutional Neural Networks 等先进机器学习方法进行对比分析，结果表明直接应用最新的机器学习方法不能优于较简单的传统方法，文中特别关注了美国东北部地区的每日降水量，结果对每种方法的能力进行了评估。

    Feb, 2017

  • 基于光流引导扩散的降水概率降尺度化

    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

  • 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

  • 一种无侵入式机器学习框架用于去偏低时分辨率的长时间气候模拟和量化罕见事件统计

    提出了一种利用神经网络校正算子的非侵入性方法来校正粗分辨率气候预测，克服了统计学方法无法处理超过训练数据时间的极端事件的挑战，并在实验中成功校正了欧洲中期天气预报模型和能源计算机模式的输出，使其更准确地反映统计数据并显著降低空间偏差。

    Feb, 2024

  • 论使用深度生成模型进行完美预测气候降尺度化

    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