基于潜在扩散模型的公里级高分辨率降水估算与预报研究

本文推荐一种潜在扩散模型（LDM）框架，利用低分辨率（25 km）大气环流和地形数据实现高分辨率（4 km）降水估算与预报。该模型通过准高斯（Quasi-Gaussian）潜在空间变换有效克服传统深度学习中的模式崩塌与模糊伪影问题，在极端降水事件中显著提升预报能力（RMSE降低>30%，CSI提高40%），为天气预测与水文灾害防控提供重要技术支撑。

　　

Highlight

本研究开发了一种潜在扩散建模（LDM）框架，用于高分辨率定量降水估算与预报，特别关注极端事件。LDM 利用低分辨率环流和地形数据生成准确且多样化的 4 km 分辨率降水估计/预报。通过潜在编码模型（LEM）将长尾分布的降水数据编码为准高斯潜在表示，实现了逼真且多样化的降水重建。

Model Architecture

LDM 框架包括三个核心组件：潜在编码模型（LEM）、条件 U-Net（c U-Net）和扩散模型。LEM 将降水数据转换为潜在空间表示；c U-Net 利用输入数据回归这些潜在表示；扩散模型则量化不确定性并校正 c U-Net 生成的潜在表示中的偏差，从而生成高分辨率降水估计。

Training

首先，我们使用来自 PRISM 的高分辨率降水数据训练 LEM。其损失函数定义如下：

LLEM=∥x?x^∥2+β?KL(q(z∣x)∥N(0,I))

其中 x是降水样本，x^是从潜在表示 z重建的降水样本，μ和 σ是高斯分布的均值和标准差，β是平衡重建损失和 KL 散度的超参数。为提高重建质量，我们设 β=0。

Results and Discussion

LEM 成功将长尾降水分布转换为准高斯分布，观测降水与重建降水之间具有良好一致性（RMSE = 0.173 mm/d）。本节首先评估 LDM 和基线模型在捕捉各类极端降水事件中的表现，随后系统比较各模型在不同降水强度类别下的性能。

Conclusions

我们开发的 LDM 框架显著提升了高分辨率降水估算与极端事件预报的能力。该模型通过潜在空间变换与扩散过程有效克服了传统确定性模型对极端值的低估、模糊估计及不确定性量化不足等问题，为业务化天气预测提供了新的技术路径。