DiffDA: a diffusion model for weather-scale data assimilation

我们提出了一种名为DiffDA的基于机器学习的数据同化方法，能够使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可靠的天气预报和气候建模至关重要。我们将预先训练的GraphCast天气预报模型作为去噪扩散模型进行了改进。我们的方法应用了两阶段条件：在训练和推理期间都对预测状态进行条件限制，在推理时仅对稀疏观测进行条件限制。作为副产品，这种策略还能够将预测后处理到未来，对于未有观测数据的时间点也可以进行处理。通过基于重新分析数据集的实验，我们验证了我们的方法可以生成与0.25度分辨率观测一致的同化全球大气数据。实验还表明，与最先进的数据同化套件的初始条件相比，通过我们的方法生成的初始条件可以用于具有最多24小时时间损失的预测模型。这使得我们可以将该方法应用于实际应用，例如使用自回归数据同化创建重新分析数据集。

该论文旨在提出一种基于机器学习的数据同化方法，通过预测状态和稀疏观测来同化大气变量，以生成可靠的天气预报和气候模拟的初始条件。

该方法采用预先训练的GraphCast天气预报模型作为去噪扩散模型，应用两阶段条件约束，并在训练和推理期间对预测状态进行条件约束，仅在推理期间对稀疏观测进行条件约束。通过实验证明该方法可以在0.25度分辨率下产生与观测一致的同化全球大气数据。

论文通过实验验证了该方法的有效性，可以产生可靠的天气预报和气候模拟的初始条件，并且可以在没有观测数据的情况下进行预测。论文使用了重新分析数据集进行实验，并展示了该方法的优越性。

在相关研究中，还有一些基于机器学习的数据同化方法，例如EnKF和PF。此外，还有一些研究集中于使用机器学习模型来预测大气变量，例如CNN和RNN。