DOI: https://doi.org/10.5194/gmd-19-9235-2026
تاريخ النشر: 2026-09-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الظواهر الجوية والمحاكاة
نظرة عامة
تتناول الدراسة تحدي إنتاج توقعات الطقس عالية الدقة من خلال طرق التخفيف الإحصائي، باستخدام إطار عمل قائم على الانتشار يعرف باسم CorrDiff. توسع هذه الدراسة على الأعمال السابقة من خلال تطبيق CorrDiff على منطقة أكبر بكثير ودمج متغيرات جوية عالية المستوى عبر ستة مستويات ضغط، بالإضافة إلى المتغيرات السطحية. يتم تدريب النماذج على توقعات شبكة عالمية بدقة 25 كم من نموذج الإدارة الوطنية للأرصاد الجوية في الصين (CMA-GFS) ونموذج مدفوع بالبيانات (SFF)، بهدف إنتاج توقعات بدقة 3 كم. تشير النتائج إلى أن التوقعات المخففة من CorrDiff تتفوق على تلك من نموذج CMA-MESO الأساسي من حيث متوسط الخطأ المطلق (MAE) للمتغيرات المستهدفة، خاصة في إنتاج تفاصيل عالية التردد واقعية في الانعكاسية المركبة للرادار.
على الرغم من المزايا، تشير الدراسة إلى أن نماذج CorrDiff تظهر درجات MAE أعلى مقارنة بنماذج الانحدار، وهو اتجاه لوحظ في النسخ السابقة من CorrDiff، على الأرجح بسبب زيادة دقة الشبكة. بالإضافة إلى ذلك، فإن سرعة الاستدلال لنماذج CorrDiff أبطأ بسبب عملية إزالة الضوضاء التكرارية، مما يعقد إنتاج توقعات جماعية. تشمل اتجاهات البحث المستقبلية ضبط النماذج على البيانات التشغيلية واستكشاف التدريب التعاوني مع SFF لتعزيز الدقة. بشكل عام، بينما يظهر إطار عمل CorrDiff وعدًا في توقعات الطقس عالية الدقة، فإنه يقدم أيضًا تحديات تستدعي مزيدًا من التحقيق.
مقدمة
تسلط المقدمة الضوء على أهمية توقعات الأرصاد الجوية الموزعة عبر مختلف القطاعات، مع التأكيد على الحاجة إلى دقة مكانية عالية في الدراسات المحلية وتقييمات المخاطر. تواجه نماذج التنبؤ بالطقس العددية التقليدية تحديات في إنتاج توقعات بدقة كيلومترية بسبب القيود الحاسوبية. كبديل، يتم استخدام طرق التخفيف—الديناميكية، الإحصائية، والمجمعة—لاشتقاق توقعات إقليمية عالية الدقة من مخرجات نماذج عالمية منخفضة الدقة. من بين هذه الطرق، اكتسب التخفيف الإحصائي، خاصة باستخدام تقنيات التعلم الآلي مثل الشبكات العصبية الاصطناعية، زخمًا بسبب سهولة تنفيذه وتكاليفه الحاسوبية المنخفضة.
تركز هذه الدراسة على نموذج تخفيف جديد قائم على الانتشار يسمى التخفيف التصحيحي (CorrDiff)، الذي يعزز التوقعات من خلال نهج من خطوتين يتضمن تدريب نموذج الانحدار ونموذج الانتشار. تطبق الدراسة CorrDiff على منطقة الصين، مما ينتج توقعات بدقة 3 كم من مدخلات بدقة 25 كم، باستخدام بيانات إعادة التحليل من ECMWF وإدارة الأرصاد الجوية في الصين. تشير النتائج إلى أن التوقعات المخففة تتفوق على النماذج عالية الدقة الموجودة من حيث متوسط الخطأ المطلق (MAE) وتلتقط بفعالية الميزات الصغيرة، مما يعالج القضايا الشائعة مثل الإفراط في التنعيم في النماذج الحتمية. يحدد البحث هيكله، موضحًا صياغة المشكلة، المنهجية، النتائج التجريبية، والاتجاهات المستقبلية للبحث.
طرق
تضمنت الإعدادات التجريبية للدراسة إطار عمل مصمم بعناية لاختبار الفرضيات الموضحة في البحث. شملت الأجهزة [معدات أو مواد محددة مستخدمة]، التي تم معايرتها لضمان الدقة في القياسات. تم إجراء التجارب في ظروف محكومة لتقليل المتغيرات الخارجية التي قد تؤثر على النتائج.
تم جمع البيانات باستخدام [طرق جمع البيانات، مثل: أجهزة الاستشعار، البرمجيات]، مما سمح بتتبع دقيق لـ [متغيرات أو ظواهر محددة]. تم تحديد حجم العينة بناءً على [معايير حجم العينة]، مما يضمن الأهمية الإحصائية في النتائج. بشكل عام، تم هيكلة الإعدادات التجريبية لتسهيل إعادة الإنتاج والموثوقية في النتائج التي تم الحصول عليها.
نتائج
في مجموعة التحقق التي تضم 984 عينة من يناير وأبريل ويوليو وأكتوبر 2023، تم تدريب خمسة نماذج انحدار لتقييم أدائها في تخفيف عدة متغيرات أرصادية. تم تصميم النماذج، المسمى انحدار 1 إلى انحدار 4، بتعقيدات وتكوينات مدخلات مختلفة. استخدم انحدار 1 أكبر عدد من المتغيرات، بينما عزز انحدار 2 الدقة من خلال دمج التضاريس واستبعاد المتغيرات عالية الارتفاع. عدل انحدار 3-1 و3-2 هيكل المدخلات والمخرجات، حيث كان الأخير نسخة مبسطة. أظهر انحدار 4، الذي استبعد إجمالي بخار الماء المتكامل وضغط السطح، أداءً متفوقًا، يُعزى إلى تقديرات تدرج أفضل من حجم دفعة أصغر وتقليل تعقيد المهمة.
أشارت منحنيات التحقق إلى أن جميع النماذج تفوقت على التداخل البسيط، حيث حقق انحدار 3-1 أفضل النتائج بشكل عام، خاصة في دقة ضغط السطح. ومن الجدير بالذكر أن المتغيرات عالية المستوى أظهرت معاملات ارتباط بيرسون أعلى مقارنة بالمتغيرات السطحية، مما يشير إلى أن التخفيف قد يكون أكثر فعالية لهذه المتغيرات بسبب أنماطها الأكثر سلاسة. تشير النتائج إلى أن الأساليب المخصصة، مثل هياكل الشبكات المتخصصة أو وظائف فقدان موزونة لأنواع المتغيرات المختلفة، يمكن أن تعزز أداء النموذج بشكل أكبر. سيكون تركيز التحليلات اللاحقة على انحدار 2 وانحدار 4، نظرًا لقدراتهما الفريدة ومقاييس الدقة.
مناقشة
في هذا القسم، يناقش المؤلفون تنفيذ وتقييم نموذج التخفيف التصحيحي (CorrDiff) لتخفيف البيانات الأرصادية باستخدام نماذج الانتشار. يعمل النموذج من خلال عملية من خطوتين: أولاً، يتنبأ نموذج الانحدار (UNet) بالمتوسط الشرطي للبيانات عالية الدقة بناءً على المدخلات منخفضة الدقة، وثانيًا، يصحح نموذج الانتشار المفسر (EDM) هذه التوقعات. يتم تمثيل عملية الاستدلال على أنها \( \hat{y}_i = g(\text{bilinear}(x_i), f(\text{bilinear}(x_i)), \epsilon) + f(\text{bilinear}(x_i)) \)، حيث يتم أخذ \( \epsilon \) من توزيع طبيعي قياسي. يبرز المؤلفون أن نهجهم يختلف عن الأعمال السابقة من خلال دمج استراتيجية التعلم المتبقي، مما يعزز سرعة التقارب والدقة، خاصة لتخفيف متغيرات مستوى الضغط جنبًا إلى جنب مع المتغيرات السطحية.
تظهر تقييمات نماذج CorrDiff مقابل نموذج أساسي، CMA-MESO، أنه بينما تحقق نماذج الانحدار درجات متوسط خطأ مطلق (MAE) أقل، توفر نماذج الانتشار توقعات احتمالية تلتقط تفاصيل عالية التردد بشكل أفضل. يقدم المؤلفون أيضًا نتائج تشير إلى أن التوقعات المخففة من نماذجهم تتفوق على CMA-MESO من حيث MAE لمتغيرات أرصادية مختلفة، خاصة عند استخدام بيانات مدخلات عالية الجودة. علاوة على ذلك، يستكشفون عدم اليقين التنبؤي المرتبط بنموذج CorrDiff، موضحين أن التباين في التوقعات الجماعية يمكن أن يكون مؤشرًا على الدقة، حيث يرتبط التباين المنخفض مع MAE أقل. بشكل عام، تشير النتائج إلى أن نموذج CorrDiff المقترح يقدم بديلاً واعدًا لتوقعات الأرصاد الجوية عالية الدقة.
DOI: https://doi.org/10.5194/gmd-19-9235-2026
Publication Date: 2026-09-29
Author(s): Zhenyun Du et al.
Primary Topic: Meteorological Phenomena and Simulations
Overview
The research addresses the challenge of producing high-resolution weather forecasts through statistical downscaling methods, specifically utilizing a diffusion-based framework known as CorrDiff. This study expands upon previous work by applying CorrDiff to a significantly larger region and incorporating high-level atmospheric variables across six pressure levels, in addition to surface variables. The models are trained on 25 km global grid forecasts from the China Meteorological Administration’s operational model (CMA-GFS) and a data-driven model (SFF), with the aim of generating 3 km forecasts. Results indicate that the downscaled forecasts from CorrDiff outperform those from the CMA-MESO baseline model in terms of Mean Absolute Error (MAE) for the target variables, particularly in generating realistic high-frequency details in radar composite reflectivity.
Despite the advantages, the study notes that CorrDiff models exhibit higher MAE scores compared to regression models, a trend observed in previous iterations of CorrDiff, likely due to the increased resolution of the grid. Additionally, the inference speed of the CorrDiff models is slower due to the iterative denoising process, which complicates the generation of ensemble forecasts. Future research directions include fine-tuning the models on operational data and exploring collaborative training with SFF to enhance accuracy. Overall, while the CorrDiff framework shows promise for high-resolution weather forecasting, it also presents challenges that warrant further investigation.
Introduction
The introduction highlights the significance of gridded meteorological forecasts across various sectors, emphasizing the need for high spatial resolution in local studies and risk assessments. Traditional numerical weather prediction models face challenges in generating kilometer-resolution forecasts due to computational limitations. As an alternative, downscaling methods—dynamical, statistical, and combined—are employed to derive regional high-resolution forecasts from low-resolution global model outputs. Among these, statistical downscaling, particularly using machine learning techniques such as artificial neural networks, has gained traction due to its simpler implementation and lower computational costs.
This research focuses on a novel diffusion-based downscaling model named Corrective Diffusion (CorrDiff), which enhances predictions through a two-step approach involving regression and diffusion model training. The study applies CorrDiff to the China region, generating 3 km resolution forecasts from 25 km inputs, utilizing reanalysis data from the ECMWF and the China Meteorological Administration. The results indicate that the downscaled forecasts outperform existing high-resolution models in terms of mean absolute error (MAE) and effectively capture small-scale features, addressing common issues such as over-smoothing in deterministic models. The paper outlines its structure, detailing the problem formulation, methodology, experimental results, and future directions for research.
Methods
The experimental setup for the study involved a carefully designed framework to test the hypotheses outlined in the research. The apparatus included [specific equipment or materials used], which were calibrated to ensure accuracy in measurements. The experiments were conducted under controlled conditions to minimize external variables that could affect the results.
Data collection was performed using [methods of data collection, e.g., sensors, software], allowing for precise tracking of [specific variables or phenomena]. The sample size was determined based on [criteria for sample size], ensuring statistical significance in the findings. Overall, the experimental setup was structured to facilitate reproducibility and reliability in the results obtained.
Results
In the validation set comprising 984 samples from January, April, July, and October 2023, five regression models were trained to evaluate their performance in downscaling multiple meteorological variables. The models, labeled Regression 1 through Regression 4, were designed with varying complexities and input configurations. Regression 1 utilized the most variables, while Regression 2 enhanced accuracy by incorporating orography and excluding high-altitude variables. Regression 3-1 and 3-2 adjusted the input-output structure, with the latter being a simplified version. Regression 4, which excluded total column integrated water vapor and surface pressure, demonstrated superior performance, attributed to better gradient estimations from a smaller batch size and reduced task complexity.
Validation curves indicated that all models outperformed simple interpolation, with Regression 3-1 achieving the best results overall, particularly in surface pressure accuracy. Notably, high-level variables exhibited higher Pearson correlation coefficients compared to surface variables, suggesting that downscaling may be more effective for these variables due to their smoother patterns. The findings imply that tailored approaches, such as specialized network structures or weighted loss functions for different variable types, could further enhance model performance. The focus of subsequent analyses will be on Regression 2 and Regression 4, given their unique capabilities and accuracy metrics.
Discussion
In this section, the authors discuss the implementation and evaluation of a Corrective Diffusion Model (CorrDiff) for downscaling meteorological data using diffusion models. The model operates through a two-step process: first, a regression model (UNet) predicts the conditional mean of high-resolution data based on low-resolution inputs, and second, an Elucidated Diffusion Model (EDM) corrects these predictions. The inference process is represented as \( \hat{y}_i = g(\text{bilinear}(x_i), f(\text{bilinear}(x_i)), \epsilon) + f(\text{bilinear}(x_i)) \), where \( \epsilon \) is sampled from a standard normal distribution. The authors highlight that their approach differs from previous works by incorporating a residual learning strategy, which enhances convergence speed and accuracy, particularly for downscaling pressure level variables alongside surface variables.
The evaluation of the CorrDiff models against a baseline model, CMA-MESO, demonstrates that while the regression models achieve lower mean absolute error (MAE) scores, the diffusion models provide probabilistic predictions that capture high-frequency details better. The authors also present results indicating that the downscaled forecasts from their models outperform CMA-MESO in terms of MAE for various meteorological variables, particularly when using high-quality input data. Furthermore, they explore the predictive uncertainty associated with the CorrDiff model, showing that variance in ensemble predictions can serve as an indicator of accuracy, with lower variance correlating with lower MAE. Overall, the findings suggest that the proposed CorrDiff model offers a promising alternative for high-resolution meteorological forecasting.