结合中期天气预报的扩散式降水生成

arXiv:2610.12976v1 公告类型：新论文 摘要：准确的日降水预报对天气敏感型决策至关重要。尽管近期天气基础模型（WFMs）取得了显著进展，但它们使用再分析数据进行训练，而这类数据存在随区域和降水强度而变化的偏差。由于基于观测目标重新训练 WFMs 的成本高昂，我们研究了 Dynamics-Precipitation Decoupling，这是一种即插即用框架，利用单独训练的生成器，将冻结天气模型输出的非降水预报映射为与观测一致的日降水。其关键挑战在于捕捉异质性降雨分布，并使日累计降水与随时空演变的大气信号相匹配。为应对这些挑战，我们以大气状态为条件，利用卫星与雨量计融合降水估计训练扩散生成器。多尺度循环编码器概括大气演变过程，交叉注意力则在去噪过程中对齐大气特征与降水特征。针对 Pangu-Weather、GraphCast 和 HRES 等多种骨干模型开展的全球及区域预报广泛评估表明，该方法提高了日降水预报准确性和事件检测能力，并能更好地表征局地累计降水分布。全球集合预报评估显示，在所有报告的预报时效下，该方法的 Brier 评分均低于 ENS 和从头训练的 GenCast，且在大多数比较中具有更低的 CRPS。值得注意的是，一项利用中国 2,288 个站点开展的强降雨个例研究，通过与地面观测对比，进一步证实了该方法在日累计降水分布表征和事件检测方面的改进。