具有准确不确定性量化的生成性降水现场预报的潜在扩散模型

​

Latent diffusion models for generative precipitation nowcasting with
accurate uncertainty quantification

解决问题：本篇论文旨在解决降水预测中的不确定性问题，提出了一种新的潜在扩散模型（LDM）并进行了实验验证。该问题在天气和气候等领域具有重要意义。

关键思路：本文提出了一种新的潜在扩散模型（LDM），相比于目前广泛使用的生成对抗网络（GANs），LDM更加稳定且需要更少的计算量进行训练，但生成过程更加耗时。实验结果表明，LDM在降水预测中具有更高的准确性和更多样化的预测结果，而且通过排名分布测试可以准确地反映预测的不确定性。

其他亮点：本文的实验设计使用了降水数据集，比较了LDM、DGMR和PySTEPS三种模型的预测结果。此外，本文提出的LDM模型可以用于任何需要不确定性量化的应用场景，具有广泛的应用前景。本文未提供开源代码。

关于作者：本文的主要作者是Jussi Leinonen、Ulrich Hamann、Daniele Nerini、Urs Germann和Gabriele Franch。他们分别来自瑞士联邦技术研究所、德国联邦环境局和意大利国家气象局。其中Jussi Leinonen曾在多篇关于天气预测和气象数据分析的论文中发表过研究成果，如“Nowcasting of precipitation during the MAP D-PHASE using high-resolution models and a modified method of moments”等。

相关研究：近期其他相关的研究包括“Deep learning for precipitation nowcasting: a benchmark and a new model”（作者：Tianle Yuan等，机构：香港中文大学）、“Probabilistic precipitation nowcasting with an explicit treatment of uncertainties due to radar data quality”（作者：Jan D. Keller等，机构：德国气象局）等。

论文摘要：本文介绍了一种潜在扩散模型（LDM），用于短期降水预测，即基于最新观测数据的预测。与生成对抗网络（GANs）相比，扩散模型在图像生成中被广泛采用，可以生成更高质量和更多样化的样本。LDM比GANs更稳定，训练所需计算量也更少，但生成过程需要更多的计算资源。我们将其与基于GANs的Deep Generative Models of Rainfall（DGMR）和统计模型PySTEPS进行了基准测试。结果表明，LDM产生了更准确的降水预测，但在预测降水是否超过预定义阈值时，比较结果则更加复杂。LDM最明显的优点是它可以生成比DGMR或PySTEPS更多样化的预测。排名分布测试表明，LDM生成的样本分布准确反映了预测的不确定性。因此，LDM在任何需要进行不确定性量化的应用中都非常有前途，例如天气和气候预测。

​Read More