ForcingDAS：基于 Diffusion Forcing 的统一且鲁棒的数据同化

arXiv:2605.14285v3 公告类型：replace-cross 摘要：数据同化（DA）根据含噪、不完整的观测来估计演化中动力系统的状态，广泛应用于科学仿真以及天气与气候科学。在实践中，滤波方法依赖于逐帧转移模型。然而，当观测不满足马尔可夫性时（即观测仅构成更高维潜在状态的部分切片，如现实世界的天气数据），这些模型的鲁棒性较差：它们往往会在长时间跨度上累积误差。同时，基于学习的 DA 方法通常仅针对单一模式，即滤波（临近预报、实时预报）或平滑（回溯性再分析），导致本应共享的先验被拆分到针对特定应用的不同流程中。为解决这两个问题，我们提出了 ForcingDAS，一个统一且鲁棒的 DA 框架。ForcingDAS 基于 Diffusion Forcing，为每一帧分配独立的噪声水平，学习联合轨迹先验，而非逐帧转移。这使其能够捕捉长时间跨度的时间依赖关系，并减少误差累积。此外，同一个训练好的模型在推理时即可覆盖从滤波到平滑的完整范围。具体而言，仅通过推理调度即可选择临近预报、固定滞后平滑和批量再分析，无需重新训练。我们在二维 Navier-Stokes 涡度、降水临近预报和全球大气状态估计任务上评估了 ForcingDAS。在所有设置下，单个模型的表现均可媲美或优于针对各模式专门设计的学习型和经典基线方法，其中在现实世界天气基准测试上的提升最为显著。