基础模型的残差引导多分辨率细化：干旱预报案例研究

区域气候预测对时间序列基础模型提出了独特的挑战，这些模型通常通过单遍推理来处理时间模式。相比之下，专家气候学家则采用基于系统误差诊断的多尺度时间分析和迭代细化。我们提出了 RGMR（残差引导多分辨率细化），这是一种推理时间框架，它采用预先训练的基础模型来执行气候预测的结构化从粗到细的细化，而无需更新主干参数。 RGMR 应用于使用标准化降水蒸散指数 (SPEI) 进行干旱预报时，在每个站点评估的三个 TSFM 主干网（TimesFM、TimeGPT、TabPFN）中与架构无关，并持续降低南澳大利亚三个站点和南澳大利亚以外三个地区的测试集 MSE。应用于 TimesFM 后，该包装器将南澳大利亚三个站点提前一个月的 SPEI MSE 降低了 18.9%（平均降低约 18.7%）。总体而言，RGMR 为在区域气候预报工作流程中部署冻结 TSFM 提供了一条实用途径。