使用基础模型条件扩散降水量降尺度

高分辨率降水场对于水文影响评估至关重要，但全球气候模型输出过于粗糙且存在偏差，无法直接使用。基于人工智能的扩散模型统计降尺度提供了一种有前途的方法，但大规模大气预测条件生成的机制在很大程度上仍未被探索。我们研究了应用于每日降水量降尺度的去噪扩散概率模型的三种调节策略：上采样粗略预测器的通道串联、使用学习的卷积编码器进行交叉注意调节，以及使用预训练的 Prithvi WxC 天气基础模型的冻结编码器进行交叉注意调节。所有策略均使用科罗拉多河流域的概率、分布、光谱和极端事件指标，在相同条件下根据无条件基线进行评估。串联条件实现了最低的逐点 CRPS 和 MSE，但往往会产生抑制高强度事件的过度平滑场。相比之下，交叉注意力调节提供了更好的分布现实性和频谱保真度的适度改进。极端情况下的改进是最大的：Prithvi-WxC 条件模型保留了一半以上 >100 毫米/天的事件，尽管由于样本有限，估计结果是不确定的。当在完整数据集上进行训练时，学习到的卷积模型的性能与基础模型条件方法类似，但需要较低的计算资源。然而，Prithvi-WxC 条件模型仅用五年的训练数据就达到了相当的性能。这些结果表明，对于概率降水降尺度而言，交叉注意力调节比简单串联具有优势，并且预训练的基础模型表示可能在数据有限的设置中提供优势。