IPSL-AID: Generative Diffusion Models for Climate Downscaling from Global to Regional Scales

📄 arXiv: 2604.03275 📥 PDF

作者: Kishanthan Kingston, Olivier Boucher, Freddy Bouchet, Pierre Chapel, Rosemary Eade, Jean-Francois Lamarque, Redouane Lguensat, Kazem Ardaneh

分类: cs.AI, cs.LG

发布日期: 2026-04-07

💡 一句话要点

IPSL-AID：利用生成扩散模型实现全球到区域气候的降尺度，并量化不确定性。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 气候降尺度 生成扩散模型 气候变化 不确定性量化 区域气候模型

📋 核心要点

  1. 传统全球气候模型分辨率有限，难以捕捉关键的区域气候过程，制约了气候变化适应和减缓策略的制定。
  2. IPSL-AID利用去噪扩散概率模型，通过学习粗分辨率输入与高分辨率输出之间的映射关系，实现气候降尺度。
  3. 实验表明，该模型能够准确重建气候数据的统计分布，包括极端事件，并能有效量化不确定性。

📝 摘要（中文）

IPSL-AID是一种基于去噪扩散概率模型的全球到区域降尺度工具，旨在解决传统全球气候模型分辨率不足的问题。这些模型通常在150到200公里的分辨率下运行，无法代表重要的区域过程。IPSL-AID使用ERA5再分析数据进行训练，利用粗略输入及其时空背景，生成温度、风和降水等0.25度分辨率的场。它还对精细尺度特征的概率分布进行建模，以产生用于不确定性量化的合理情景。该模型能够准确地重建统计分布，包括极端事件、功率谱和空间结构。这项工作突出了生成扩散模型在高效气候降尺度和不确定性量化方面的潜力。

🔬 方法详解

问题定义：论文旨在解决全球气候模型（GCMs）分辨率不足的问题。GCMs通常分辨率较低（150-200km），无法有效模拟区域气候特征和极端天气事件，这限制了其在区域气候变化评估和适应性规划中的应用。现有降尺度方法，如动力降尺度，计算成本高昂，而统计降尺度则依赖于历史数据的可用性和质量。

核心思路：论文的核心思路是利用生成扩散模型（Generative Diffusion Models）学习从低分辨率气候数据到高分辨率气候数据的映射关系。扩散模型通过逐步添加噪声到数据，然后学习逆向过程来恢复原始数据，从而能够生成高质量、高分辨率的气候场。这种方法能够捕捉复杂的气候模式，并提供不确定性量化的能力。

技术框架：IPSL-AID的整体框架包括以下几个主要步骤：1) 使用ERA5再分析数据训练扩散模型，学习温度、风和降水等气候变量的分布。2) 给定低分辨率的气候输入（例如，来自GCMs），模型通过迭代去噪过程生成高分辨率的气候场。3) 模型同时对精细尺度特征的概率分布进行建模，从而可以生成多个可能的气候情景，用于不确定性量化。

关键创新：该论文的关键创新在于将生成扩散模型应用于气候降尺度问题，并将其扩展到不确定性量化。与传统的降尺度方法相比，扩散模型能够生成更逼真、更多样化的气候情景，并提供更全面的不确定性评估。此外，该模型能够有效地利用时空上下文信息，提高降尺度结果的准确性。

关键设计：IPSL-AID使用了基于U-Net的扩散模型架构，该架构能够有效地捕捉气候数据的多尺度特征。模型使用均方误差（MSE）作为损失函数，优化生成的高分辨率气候场与真实气候场之间的差异。此外，模型还采用了自适应噪声调度策略，以提高生成结果的质量。具体的参数设置和网络结构细节在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

IPSL-AID在重建气候数据的统计分布方面表现出色，包括极端事件、功率谱和空间结构。该模型能够生成与真实气候数据高度一致的高分辨率气候场，并提供不确定性量化的能力。具体的性能数据和对比基线在摘要中未提供，属于未知信息。但论文强调了该模型在高效气候降尺度和不确定性量化方面的潜力。

🎯 应用场景

IPSL-AID可应用于多个领域，包括区域气候变化评估、极端天气事件预测、农业规划、水资源管理和城市基础设施建设。通过提供高分辨率的气候预测和不确定性量化，该工具可以帮助决策者制定更有效的气候适应和减缓策略，并提高社会对气候变化的适应能力。未来，该模型可以扩展到其他气候变量和区域，并与其他气候模型相结合，以提供更全面的气候预测服务。

📄 摘要（原文）

Effective adaptation and mitigation strategies for climate change require high-resolution projections to inform strategic decision-making. Conventional global climate models, which typically operate at resolutions of 150 to 200 kilometers, lack the capacity to represent essential regional processes. IPSL-AID is a global to regional downscaling tool based on a denoising diffusion probabilistic model designed to address this limitation. Trained on ERA5 reanalysis data, it generates 0.25 degree resolution fields for temperature, wind, and precipitation using coarse inputs and their spatiotemporal context. It also models probability distributions of fine-scale features to produce plausible scenarios for uncertainty quantification. The model accurately reconstructs statistical distributions, including extreme events, power spectra, and spatial structures. This work highlights the potential of generative diffusion models for efficient climate downscaling with uncertainty