DiffDA: a Diffusion Model for Weather-scale Data Assimilation

我们提出了DiffDA作为一种去噪扩散模型，能够利用预测状态和稀疏观测来同化大气变量，通过准确的数据同化生成初始条件对于天气预报和气候建模至关重要。我们认识到天气预报模型和专门用于天气应用的去噪扩散模型之间的相似性，因此我们将预训练的GraphCast神经网络作为扩散模型的骨干进行了适应。通过基于ERA5再分析数据集的模拟观测实验，我们的方法可以产生与全球0.25度（约30公里）分辨率的观测一致的同化全球大气数据。这标志着ML数据同化模型所达到的最高分辨率。实验还表明，从稀疏观测（少于0.96%的格点数据）同化的初始条件和48小时预报可以用于预报模型，与ERA5最先进的数据同化的初始条件相比，最多损失24小时的前导时间。这使得该方法可以应用于实际应用，如使用自回归数据同化创建再分析数据集。

论文提出了一种名为DiffDA的数据同化模型，旨在通过预测状态和稀疏观测数据来同化大气变量，以产生与观测数据一致的全球大气数据。该模型可用于天气预报和气候建模中的初始条件生成。

论文采用预训练的GraphCast神经网络作为扩散模型的骨干，并通过实验验证DiffDA模型的性能。该模型可以使用少于0.96%的网格数据来同化初始条件，并且可以在全球范围内以0.25度（约30公里）分辨率生成同化的大气数据。

DiffDA模型是目前最高分辨率的ML数据同化模型之一，可以用于实际应用，如创建具有自回归数据同化的再分析数据集。实验使用ERA5重分析数据集进行，并展示了DiffDA模型的性能和优越性。

相关研究包括使用神经网络进行数据同化的其他工作，如DeepAR、Lorenz-96等。