Diffusion Precipitation Generation with Medium-range Weather Forecasting
作者: Guowen Li, Yang Liu, Mengxuan Chen, Jiashun Cheng, Haoyuan Liang, Shilei Cao, Yujie Wang, Juepeng Zheng, Fang Wang, Yerong Feng, Meng Jin, Hong Cheng, Yutong Lu, Haohuan Fu
分类: cs.LG
发布日期: 2026-10-09
💡 一句话要点
提出动态降水解耦框架以改善天气预报中的降水预测
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 天气预报 降水预测 动态解耦 扩散生成器 多尺度编码器 交叉注意力 气象模型 事件检测
📋 核心要点
- 现有天气基础模型在降水预测中存在区域性和强度依赖的偏差，难以准确反映实际降水情况。
- 提出动态降水解耦框架，通过扩散生成器将非降水预报映射到观测一致的降水，解决降水分布异质性问题。
- 实验结果表明，该方法在全球和区域预报中显著提高了降水准确性，尤其在重降水事件的检测上表现优异。
📝 摘要（中文）
准确的每日降水预报对天气敏感的决策至关重要。尽管近期的天气基础模型（WFM）取得了显著进展，但它们通常基于再分析数据进行训练，存在区域性和强度依赖的偏差。由于基于观测目标重新训练WFM的成本较高，本文研究了一种动态降水解耦的插件式框架，利用单独训练的生成器将冻结的天气模型中的非降水预报映射到与观测一致的每日降水。该方法通过训练一个条件于大气状态和卫星-雨量计降水估计的扩散生成器来应对异质性降水分布和日累积与大气信号的对齐问题。广泛的评估显示，该方法在全球和区域预报中提高了每日降水的准确性和事件检测能力。
🔬 方法详解
问题定义：本文旨在解决现有天气基础模型在降水预测中存在的区域性和强度依赖偏差，尤其是在降水分布异质性和日累积与大气信号对齐方面的挑战。
核心思路：提出动态降水解耦框架，利用条件扩散生成器将非降水预报映射到与观测一致的降水，旨在通过引入大气状态和卫星-雨量计数据来提高降水预测的准确性。
技术框架：整体架构包括多尺度递归编码器用于总结大气演变，交叉注意力机制用于在去噪过程中对齐大气特征和降水特征。该框架可与多种天气模型（如Pangu-Weather、GraphCast和HRES）结合使用。
关键创新：本研究的主要创新在于引入了条件扩散生成器，并通过交叉注意力机制有效对齐了大气与降水特征，显著改善了降水预测的准确性和事件检测能力。
关键设计：在模型设计中，采用了多尺度递归编码器来捕捉大气演变，损失函数设计上注重于降水的日累积对齐，网络结构上结合了扩散模型的优势以提升生成效果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方法在全球集合评估中，相较于ENS和从头训练的GenCast，在所有报告的预测时间上均表现出更低的Brier分数，并在大多数比较中具有更低的CRPS。此外，针对中国2288个站点的重降水案例研究进一步验证了该方法在日累积模式和事件检测上的改进。
🎯 应用场景
该研究的潜在应用领域包括气象预报、农业管理和灾害预警等。通过提高降水预测的准确性，可以为决策者提供更可靠的信息，帮助他们在天气变化时做出更有效的应对措施，进而降低天气相关风险。
📄 摘要（原文）
Accurate daily precipitation forecasts are important for weather-sensitive decisions. Although recent Weather Foundation Models (WFMs) have achieved significant progress, they are trained on reanalysis data, which exhibit regional and intensity-dependent biases. Since retraining WFMs on observation-based targets is costly, we study Dynamics-Precipitation Decoupling, a plug-and-play framework that uses a separately trained generator to map non-precipitation forecasts from a frozen weather model to observation-aligned daily precipitation. Its key challenges are to capture heterogeneous rainfall distributions and align daily accumulations with atmospheric signals that evolve across space and time. To address them, we train a diffusion generator conditional on atmospheric states and satellite-gauge estimates of precipitation. A multi-scale recurrent encoder summarizes atmospheric evolution, while cross-attention aligns atmospheric and precipitation features during denoising. Extensive evaluation of various backbones, including Pangu-Weather, GraphCast, and HRES, on global and regional forecasting shows improved daily precipitation accuracy and event detection, with better representation of localized accumulation patterns. Global ensemble evaluation shows lower Brier scores than ENS and training-from-scratch GenCast at all reported lead times, with lower CRPS in most comparisons. Remarkably, a heavy-rainfall case study using 2,288 stations in China further supports improved daily accumulation patterns and event detection against ground observations.