[论文解读] Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling

Morteza Mardani, Noah Brenowitz+11 more|arXiv (Cornell University)|Sep 24, 2023

Climate variability and models被引用 16

一句话总结

CorrDiff 将基于 UNet 的均值预测器与基于扩散的残差校正器结合起来，对 25-km 的 ERA5 输入进行随机下采样到 2-km 的天气场，生成对台湾的 WRF 数据进行验证的概率性高分辨率预报。

ABSTRACT

The state of the art for physical hazard prediction from weather and climate requires expensive km-scale numerical simulations driven by coarser resolution global inputs. Here, a generative diffusion architecture is explored for downscaling such global inputs to km-scale, as a cost-effective machine learning alternative. The model is trained to predict 2km data from a regional weather model over Taiwan, conditioned on a 25km global reanalysis. To address the large resolution ratio, different physics involved at different scales and prediction of channels beyond those in the input data, we employ a two-step approach where a UNet predicts the mean and a corrector diffusion (CorrDiff) model predicts the residual. CorrDiff exhibits encouraging skill in bulk MAE and CRPS scores. The predicted spectra and distributions from CorrDiff faithfully recover important power law relationships in the target data. Case studies of coherent weather phenomena show that CorrDiff can help sharpen wind and temperature gradients that co-locate with intense rainfall in cold front, and can help intensify typhoons and synthesize rain band structures. Calibration of model uncertainty remains challenging. The prospect of unifying methods like CorrDiff with coarser resolution global weather models implies a potential for global-to-regional multi-scale machine learning simulation.

研究动机与目标

• 为区域风险评估和高分辨率现象的全球粗预测的千米尺度下采样需求提供动机。
• 开发一个两步的生成式下采样框架，将均值预测与随机残差分离。
• 证明 CorrDiff 在 2-km 分辨率下具有现实的不确定性、谱特征和极端事件行为。
• 显示该方法在与高分辨率动力学模型相比时具备样本与硬件的高效性。

提出的方法

• 两步 CorrDiff 方法：先用 UNet 回归模型预测条件均值，再学习基于扩散的残差校正。
• 把 x = mu + r 形式化，其中 mu = E[x|y] 来自回归，r = x - E[x|y] 为零均值并通过去噪扩散模型建模。
• 使用 Expl ic it Diffusion Model (EDM) 作为连续时间扩散过程来学习 p(r|y)，并通过二阶 EDM 随机取样器进行采样。
• 通过将 y 与扩散噪声通道连接来将粗输入 y 条件化到扩散模型中。
• 训练基于分数的去噪网络 D_theta，通过去噪分数匹配（式 (Eq. 5)）来逼近 p(r|y) 的分数。
• 使用包括 CRPS、MAE、功率谱以及分布等指标对准确性与概率保真性进行评估。

实验结果

研究问题

• RQ1 一个两步的先均值后残差的扩散框架是否能够将 25-km ERA5 输入准确地下采样到 2-km 的目标？
• RQ2 残差扩散步骤是否在概率技巧、谱特征和极端值行为方面优于仅均值预测？
• RQ3 在下采样场中，是否更好地表示连贯天气结构（如锋面和台风特征）？
• RQ4 CorrDiff 在下采到围绕台湾的区域域时的性能与效率如何？
• RQ5 CorrDiff 能否在实时应用中将全球模型的预报下采样到高分辨率？

主要发现

• CorrDiff 在确定性技能方面高于基线（MAE 更低），在多变量上优于 UNet 回归和其他方法。
• CorrDiff 能更好地再现目标功率谱和重尾分布，尤以雷达反射率和风场为著。
• 案例研究表明 CorrDiff 能捕捉连贯结构，如锋面边界和台风风圈，并改进了轴对称风场的剖面。
• 该模型在速度与能效方面显示出显著提升（单 GPU 推理约快 22 倍，且比 CPU 基于 WRF 的能耗高效 1130 倍）。
• 训练在数据效率方面表现良好，在给定设置下使用大约三年的台湾数据即可实现强性能。
• 对正在进行的 GFS 实况预测进行 2-km 下采样，在短期预报阶段结果良好；在较长时效的某些特征（如降水带）性能下降。