用于降水预报干预的引导扩散采样

极端降水会造成严重的社会和经济损失，长期以来，天气控制一直被视为一种潜在的缓解策略。然而，据我们所知，尚未探索使用数据驱动的天气预报模型进行基于扰动的天气控制干预措施。虽然对抗性攻击也会产生改变预测的扰动，但它们的目的是利用模型工件，而不考虑物理合理性。在本文中，我们提出了一个基于梯度的指导框架，通过基于扩散的天气预报模型中的扩散采样来进行降水减少干预。我们的方法不是直接扰动大气状态，而是引导扩散采样轨迹，从而减少降水，同时保持与大气分布的一致性。为了评估物理合理性，我们从三个角度进行评估：（i）垂直和变量扰动剖面，（ii）潜在空间轨迹偏差，以及（iii）跨模型可转移性。 WeatherBench2 对极端降水事件的实验表明，我们的方法实现了有效的降水减少，同时产生了比对抗性扰动更物理上合理的干预措施。