基础模型条件化的扩散模型用于降水降尺度

该论文研究了将扩散模型应用于日降水降尺度，比较了三种条件化策略：通道拼接、学习卷积编码器的交叉注意力，以及冻结的Prithvi WxC基础模型编码器的交叉注意力。以科罗拉多河流域为对象，与无条件基线相比，拼接在点误差上最优但过度平滑；交叉注意力在分布真实性和极端事件捕捉上更好，基础模型条件化模型能保留超过50%的>100mm/天事件。

此前AI降尺度方法多侧重于精度指标，往往牺牲极端事件的分布真实感。本研究系统对比了三种条件化策略，揭示了扩散模型在降水降尺度中条件化机制的影响，发现基础模型条件化能显著改善极端降水捕捉，为气候影响评估提供更可靠的降水数据。

扩散模型通过去噪过程生成高分辨率降水，条件化策略决定了粗尺度大气预测如何引导生成。拼接直接融合粗尺度信息，但可能导致平滑；交叉注意力让模型学习从预测场中提取相关特征，基础模型Prithvi WxC的冻结编码器提供了预训练的气象表征，增强了极端事件的生成能力，尽管计算成本更高。

对气候服务和水利行业，该研究可能提升极端降水预测精度，影响洪水预警和水资源管理产品。企业可评估将此类模型集成到现有气候数据服务中的成本效益，考虑使用学习卷积编码器以在性能与资源间取得平衡。

• 开发基于扩散模型的极端降水预报API，面向水利、农业等客户，强调高分辨率与极端事件捕捉能力。
• 提供模型评估服务，针对特定流域比较不同条件化策略的性能，帮助客户选择最适合的方案。
• 与气象机构合作，利用基础模型条件化技术改进区域性气候影响评估报告。
• 推出轻量化版本的降尺度模型，采用学习卷积编码器，降低计算成本，便于实时应用。

• 该技术是否已在实际业务中验证?
• 基础模型条件化在其它气候区域的表现如何?
• 极端事件估计的不确定性如何量化?
• 与现有统计降尺度方法相比，成本效益是否具有优势?