Probabilistic Emulation of a Global Climate Model with Spherical DYffusion

数据驱动的深度学习模型即将改变全球天气预报。现在有一个开放性问题，即这种成功能否扩展到气候建模，因为长时间推理和数据复杂性带来了重大挑战。在这里，我们提出了第一个能够产生准确且物理一致的全球气候集合模拟的条件生成模型。我们的模型以6小时为时间步长，并且已经证明在长达10年的模拟中是稳定的。我们的方法击败了相关基线，并且几乎达到了成功气候模型仿真的黄金标准。我们讨论了我们的动力学信息扩散模型的关键设计选择，这使得我们能够朝着高效、数据驱动的气候模拟迈出重要一步，这有助于我们更好地了解地球并适应不断变化的气候。

论文旨在解决气候建模中长时间推断和数据复杂性带来的挑战，提出了一个能够产生准确且物理一致的全球气候集合模拟的条件生成模型。

论文采用基于扩散模型的动力学信息方法，设计出能够在6小时时间步长下运行、稳定进行10年模拟的模型，取得了比相关基准更好的效果。

论文的模型是第一个能够产生准确且物理一致的全球气候集合模拟的条件生成模型，实验结果表明其效果优于相关基准，并且接近黄金标准。论文还开源了代码。

最近的相关研究包括：1. DeepGlobe: A Challenge to Parse the Earth through Satellite Images; 2. Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art.