Latent Diffusion Model for Generating Ensembles of Climate Simulations

获得气候情景中不确定性的准确估计通常需要生成大量高分辨率气候模拟的集合，这是一个计算和内存密集型的过程。为了解决这个挑战，我们在广泛的气候模拟数据集上训练了一种新颖的生成式深度学习方法。该模型由两个组件组成：一个用于降维的变分自编码器和一个生成多个集合成员的去噪扩散概率模型。我们在Max Planck研究所大型集合上验证了我们的模型，并表明它在变异性方面与原始集合达成了良好的一致性。通过利用潜在空间表示，我们的模型可以在最小内存需求的情况下快速生成大量集合，从而可以显着提高气候模拟中不确定性量化的效率。

论文旨在解决在气候模拟中获得准确的不确定性估计所需的计算成本和内存消耗过大的问题。

论文提出了一种新的深度学习方法，结合了变分自编码器和去噪扩散概率模型，可以快速生成大量的气候模拟集合，以提高气候模拟中不确定性量化的效率。

论文在Max Planck Institute Grand Ensemble上验证了模型，证明其在变异性方面与原始集合达成了良好的一致性。通过潜空间表示，模型可以在内存需求最小的情况下快速生成大量集合。论文使用的数据集和代码都已开源。

近期的相关研究包括使用深度学习生成气候模拟集合的方法，如《Deep Emulator Networks for Climate Modeling》和《Probabilistic Deep Learning for Climate Science》。