PreDiff：基于潜在扩散模型的降水短临预报

地球系统预报传统上依赖于复杂的物理模型，这些模型计算成本高昂，且需要深厚的领域专业知识。过去十年间，时空地球观测数据的空前增长，推动了基于深度学习的数据驱动预报模型的发展。这类模型在多种地球系统预报任务中展现出良好前景，但普遍存在难以有效处理不确定性，或忽视领域特定先验知识的问题，导致预测结果趋于对多种可能未来路径的平均化，从而产生模糊不清的预报，或生成物理上不合理的预测结果。为解决上述局限，本文提出一种两阶段的概率时空预报框架：1）我们构建了PreDiff——一种条件隐变量扩散模型，具备生成概率性预报的能力；2）引入显式的知识对齐机制，将预报结果与领域特定的物理约束条件进行对齐。该机制通过在每一步去噪过程中估计预测结果与预设物理约束之间的偏差，并相应调整状态转移分布，从而实现对物理规律的显式约束。我们在两个数据集上开展了实证研究：一是具有混沌特性的合成数据集N-body MNIST，二是真实世界中的降水短临预报数据集SEVIR。在N-body MNIST中，我们施加能量守恒定律作为物理约束；在SEVIR数据集中，则引入对预期降水强度的先验约束。实验结果表明，PreDiff在处理不确定性、融合领域先验知识以及生成具有高实用价值的预报结果方面均表现出显著优势。