跳到正文
npj Climate and Atmospheric Science· Shangshang Yang·· 17 天前精选AI 评分86

GAP 框架以扩散模型统一天气资料同化与气候预测

Generative assimilation and prediction for weather and climate

AI 导读

一项发表于 npj Climate and Atmospheric Science 的论文提出 GAP 框架,用扩散生成模型学习大气状态的气候态分布,并在推断时通过观测、预测与外强迫约束适配资料同化、天气预报和气候模拟三类任务,无需分别训练。

AI 深度导读基于原文整理的分节解读
背景
天气与气候建模长期依赖两个环节:数据同化把观测与模型结合以推断当前大气状态,预测则把初始状态向前推演,直至混沌模糊未来。二者共同的核心难题是:在观测稀疏、模型不完美、自然与人为强迫不显著的情况下,如何准确表示并演化大气状态的概率分布。现有机器学习天气预报多聚焦预测精度,初始条件依赖独立的数据同化系统,且难以在季节预测与气候预估所需的更长积分时间上保持稳定。
做法
作者提出GAP框架,把同化与预测统一看作对气候态概率分布的两种操作:观测把分布收窄到与观测一致的状态,预测让分布随时间向前演化、并随混沌抹去初始信息而松弛回气候态。GAP用扩散模型在再分析资料上学习大气状态的气候态分布,推理时通过近似贝叶斯计算灵活加入观测、预测与外部强迫约束;另一个预报模型负责把状态估计向前传播,可为数值模式或数据驱动模式,演示中采用后者。每一步同化中,观测与初步预测共同约束生成模型,约束后的估计再由预报模型外推;GAP不直接采用该预测,而是施加校准噪声并反转扩散过程,引入符合学到的相空间结构的随机性,同时校正预报模型的系统偏差。进入预测阶段后不再输入观测,分布逐步漂向气候态;在更长时间尺度上,以海表温度作为简化的外部强迫约束。
结论
在评估生成模型是否忠实逼近气候态分布时,作者生成5000个无条件样本,与1979–2017年训练期内的ERA5再分析资料对比,比较从格点统计量到大尺度动力结构再到变量间物理一致性的多个层面。正文列出GAP的五项评估内容:重现气候态模态与变率的能力、数据同化建立准确初始条件的效果、天气预报技巧、季节预测潜力,以及生成稳定长期气候模拟与预估的能力。作者还指出,框架把预测划分为不同阶段:约2周以内的天气预报由初始条件主导,约1年以内的次季节到季节预测依赖海气耦合提供的可预报性,更长时间则由外部强迫调制气候态分布。
意义
GAP试图把此前分别处理的数据同化、集合预报和气候模拟收拢到同一个概率框架下:只训练一个生成模型,推理时按任务加入不同约束,不需要为每个任务单独设模型或训练目标。若这一路径成立,同化与预测之间的衔接不再依赖外部的独立同化系统,新观测也能在推理阶段进入约束,而不必重新训练。对需要跨天气到气候时间尺度保持概率一致性的建模工作,这提供了一种可检验的替代路线。
下一步
正文在方法部分说明,预报模型组件既可为数值模式也可为数据驱动模式,演示中仅因实现便利采用后者,原则上两者皆可。作者还表示,正文之外补充材料给出了GAP各组件贡献的消融实验,以及气候态、同化、预报、季节预测和长期气候模拟五方面的评估指标细节。

本页是 AI 精读,不转载论文原文;完整论文(含方法、图表与参考文献)见原文

推荐理由

该框架把资料同化、天气预报与气候模拟统一到同一个学到的气候态分布上,其可迁移性值得关注。

来源:npj Climate and Atmospheric Science · nature.com