Tyche：高效概率天气预报的一步流程

概率天气预报不仅需要准确的轨迹，还需要在可能的大气未来上校准分布。最近的数据驱动系统已经取得了显着的确定性技能，基于扩散的集合预报器已经大大提高了样本的真实性和不确定性量化。然而，它们的推理成本随着预测范围、集合大小以及每次转换所需的去噪步骤数量而变化，使得大型操作集合变得昂贵。为了解决这个问题，我们提出了 Tyche，一种用于高效概率天气预报的一步条件流模型。 Tyche 使用目的地感知平均速度流对条件预测分布进行建模，该流在单函数评估 (1-NFE) 中将高斯噪声直接映射到未来天气状态。为了使这一单步输运在高维地球物理领域中可学习，我们推导了一种 JVP 正则化校正目标，该目标在源流和目的地流时间步长之间强制执行时间自一致性，而无需显式形成雅可比行列式。传输场由各向同性 Swin 风格的 Transformer 参数化，它保留了精细尺度的空间结构，同时在全球网格上保持可扩展性。为了提高自回归预测下的集合可靠性，我们进一步引入了带有课程 CRPS 校准监督的基于 rollout 的微调阶段。在 ERA5 上以 1.5$^\circ$ 和 6 小时分辨率进行的实验表明，我们的 Tyche 仅使用单个 NFE，就匹配或超过了最先进的多步生成基线和可操作的 ECMWF IFS 集成的预测技能和校准。