Diffusion-Based Joint Temperature and Precipitation Emulation of Earth System Models

地球系统模型（ESMs）是气候科学中用于生成全球或区域尺度下各种大气排放情景下未来气候预测的主要工具。生成式深度学习方法由于其计算效率和一旦训练完成便能在相对较短的时间内生成实现的能力而适用于模拟这些工具。我们扩展了以前的工作，使用生成概率扩散模型来模拟ESMs，并通过单个扩散模型来实现多个变量，如温度和降水的联合模拟。联合生成多个变量对于生成由多个变量相互作用产生的现象的逼真样本至关重要。扩散模型仿真器接收温度和降水的月平均图并产生每个变量的日值，这些值的统计特性类似于ESMs生成的值。我们的结果表明，我们扩展的模型的输出与ESMs在干旱期和热潮等各种气候指标上的输出非常相似，并且我们样本中温度和降水的联合分布与ESMs非常接近。

论文试图使用生成式深度学习方法来模拟地球系统模型（ESMs）的输出，以便在更短的时间内生成未来的气候预测。

论文使用概率扩散模型来模拟ESMs的输出，并通过联合模拟多个变量（温度和降水）来生成更真实的气候样本。

论文的实验结果表明，使用扩散模型的输出与ESMs的输出非常相似，其中包括干旱期和热浪等气候指标。论文使用开源的数据集，并提供了源代码，这对未来的研究非常有价值。

近期相关的研究包括使用深度学习方法来模拟气候变化，如《ClimateNet: An Expert-Level Deep Neural Network for Climate Forecasting》。