DiffScale: Continuous Downscaling and Bias Correction of Subseasonal Wind Speed Forecasts using Diffusion Models

📄 arXiv: 2503.23893v1 📥 PDF

作者: Maximilian Springenberg, Noelia Otero, Yuxin Xue, Jackie Ma

分类: cs.LG, cs.AI, cs.CV, eess.IV

发布日期: 2025-03-31

备注: 28 pages, 18 figures, preprint under review

💡 一句话要点

DiffScale：利用扩散模型连续降尺度和偏差校正次季节风速预测

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 扩散模型 风速预测 次季节预测 降尺度 偏差校正

📋 核心要点

  1. 可再生能源高度依赖于局部和大规模的天气状况，准确的次季节到季节预测对能源部门具有重要的社会经济效益。
  2. DiffScale利用扩散模型，通过天气先验引导，直接估计目标S2S预测的密度，实现高效灵活的任意尺度降尺度和偏差校正。
  3. 实验结果表明，DiffScale在预测质量上显著优于基线模型，尤其是在提前期较短的情况下，证明了其有效性。

📝 摘要（中文）

本研究旨在利用扩散模型增强风速预测，通过无分类器引导的扩散模型来降尺度次季节到季节（S2S）的风速预测。我们提出了DiffScale，一个扩散模型，可以为连续的降尺度因子和提前期超分辨率空间信息。利用天气先验作为扩散模型生成过程的指导，我们采用条件概率的视角来采样超分辨率的S2S预测。我们的目标是直接估计与不同空间分辨率和提前期的目标S2S预测相关的密度，而无需自回归或序列预测，从而产生一个高效且灵活的模型。合成实验旨在将欧洲中期天气预报中心（ECMWF）的风速S2S预测从粗分辨率超分辨率到ERA5再分析数据的精细分辨率，后者作为高分辨率目标。DiffScale的创新之处在于其能够灵活地降尺度任意缩放因子，使其能够推广到各种网格分辨率和提前期——无需重新训练模型——同时纠正模型误差，使其成为改进S2S风速预测的多功能工具。我们在预测质量方面取得了显著的提高，优于第3周的基线。

🔬 方法详解

问题定义：论文旨在解决次季节到季节（S2S）风速预测中，现有模型分辨率低、预测精度不足的问题。现有的方法通常依赖于自回归或序列预测，计算成本高昂且灵活性不足，难以适应不同的空间分辨率和提前期。

核心思路：论文的核心思路是利用扩散模型进行风速预测的超分辨率重建和偏差校正。通过将天气先验知识融入扩散模型的生成过程中，实现对S2S风速预测的条件概率建模，从而直接估计目标分辨率下的风速分布。这种方法避免了自回归或序列预测，提高了效率和灵活性。

技术框架：DiffScale的整体框架包括以下几个主要步骤：1) 使用ECMWF的粗分辨率S2S风速预测作为输入；2) 利用扩散模型，在天气先验的引导下，逐步将粗分辨率预测转化为高分辨率预测；3) 使用ERA5再分析数据作为高分辨率目标，训练扩散模型；4) 通过调整扩散模型的采样过程，实现对不同空间分辨率和提前期的风速预测。

关键创新：DiffScale的关键创新在于其能够灵活地进行连续的降尺度，即可以根据需要调整降尺度的比例，而无需重新训练模型。这使得DiffScale能够适应不同的网格分辨率和提前期，具有很强的通用性。此外，DiffScale还能够纠正模型误差，提高预测精度。

关键设计：DiffScale使用了一种无分类器引导的扩散模型，通过将天气先验知识作为条件信息，引导扩散模型的生成过程。具体的网络结构和损失函数细节未知，但可以推测损失函数可能包含重建损失和对抗损失，以保证生成的高分辨率风速预测与真实数据分布尽可能接近。

🖼️ 关键图片

img_0

📊 实验亮点

DiffScale在合成实验中表现出色，显著提高了风速预测的质量，优于基线模型，尤其是在提前期较短（3周内）的情况下。该模型能够灵活地进行连续降尺度，无需针对不同的分辨率和提前期进行重新训练，大大提高了模型的实用性。具体的性能提升幅度未知，但摘要中明确指出“显著提高”。

🎯 应用场景

DiffScale在可再生能源领域具有广泛的应用前景，可以提高风能发电的预测精度，帮助能源公司更好地规划电力生产和调度。此外，该方法还可以应用于其他气象要素的预测，例如温度、湿度等，为农业、交通运输等领域提供更准确的气象信息，具有重要的社会经济价值。

📄 摘要（原文）

Renewable resources are strongly dependent on local and large-scale weather situations. Skillful subseasonal to seasonal (S2S) forecasts -- beyond two weeks and up to two months -- can offer significant socioeconomic advantages to the energy sector. This study aims to enhance wind speed predictions using a diffusion model with classifier-free guidance to downscale S2S forecasts of surface wind speed. We propose DiffScale, a diffusion model that super-resolves spatial information for continuous downscaling factors and lead times. Leveraging weather priors as guidance for the generative process of diffusion models, we adopt the perspective of conditional probabilities on sampling super-resolved S2S forecasts. We aim to directly estimate the density associated with the target S2S forecasts at different spatial resolutions and lead times without auto-regression or sequence prediction, resulting in an efficient and flexible model. Synthetic experiments were designed to super-resolve wind speed S2S forecasts from the European Center for Medium-Range Weather Forecast (ECMWF) from a coarse resolution to a finer resolution of ERA5 reanalysis data, which serves as a high-resolution target. The innovative aspect of DiffScale lies in its flexibility to downscale arbitrary scaling factors, enabling it to generalize across various grid resolutions and lead times -without retraining the model- while correcting model errors, making it a versatile tool for improving S2S wind speed forecasts. We achieve a significant improvement in prediction quality, outperforming baselines up to week 3.