Xaurora：利用基础模型先验的去噪随机插值进行生成天气预报

近年来，深度学习彻底改变了天气预报，特别是通过大气基础模型，这些模型提供了具有竞争力的技能，而其计算成本仅为经典物理模型的一小部分。然而，大多数现有的基础模型都是确定性的，限制了用于准确的不确定性量化、极端天气风险评估和长期天气预报的大型集合的生成。此外，从头开始训练这些模型会产生大量的、通常令人望而却步的计算开销。为了解决这些缺点，我们将预训练的确定性先验模型（即 Aurora 基础模型）转变为生成集成预测模型。为此，我们引入了一种新颖的生成方法，即去噪随机插值，与随机微分方程 (SDE) 执行轨迹的重播缓冲区相结合，从而实现 SDE 轨迹的概率训练。我们的随机基础模型 Xaurora 在小型 Aurora 版本的基础上进行了微调，但它在全局集成指标方面接近最先进的水平，并且与大型 Aurora 版本具有竞争力。我们的方法是参数且样本效率高，可在 13 分钟内生成熟练的 15 天预测。我们的结果表明，确定性基础模型可以有效地扩展到更强的随机模型。