用于以风暴为中心的天气增强的基于地理空间扩散的演化综合 (GeoDES)

虽然基于机器学习的天气模型具有重大前景，但它们很难预测气旋风暴等大规模天气系统的详细结构。区域模型受到固定地理边界内有限历史记录的限制，而全球模型的计算成本很高，并且通常以过于粗糙的分辨率运行，无法捕获细粒度的风暴动态。为了弥补这一差距，我们引入了基于地理空间扩散的进化综合（GeoDES）模型，这是一种自定义图像到视频的扩散模型。通过严格关注不断变化的风暴结构，GeoDES 合成了物理上一致的高保真天气事件，适用于压力测试预报模型和扩展气象数据集。评估表明，GeoDES 在关键指标上优于先前的方法，与北大西洋测试集上的第二强方法相比，峰值涡度误差降低了 52\%$，异常相关系数提高了 8\%$。