Diffusion and flow matching for precipitation downscaling over India: a benchmark against statistical and deterministic methods

为了理解塑造我们日常生活的天气，我们必须观察科学家用来预测天气的地图。全球气候模型是模拟地球大气的强大工具，但它们看到的景象是宏观的。它们的网格单元通常有数百公里宽，足以覆盖山脉、海岸线和山谷的平均值。对于试图预测特定河谷洪水或为当地农场管理水源的科学家来说，这种宏观视角是不够的。最危险的天气事件——强降水和山洪——发生在这些大型模型根本无法解析的尺度上。为了弥补这一差距，研究人员使用了一种称为“降尺度”（downscaling）的技术。这个过程利用来自全球模型的粗糙、低分辨率数据，推断出更精细、更局部的天气状况。挑战在于，降雨并不是一层平滑、可预测的毯子；它是反复无常、具有重尾特征且易于发生极端爆发的。传统方法在这里往往会失效，因为它们旨在寻找平均值，从而抹平了那些造成最大破坏的极端情况。

由印度曼迪理工学院（IIT Mandi）Shailesh Kumar Jha领导的研究小组开发了一种解决这一问题的新方法，专门针对复杂的印度季风气候。他们测试了一代新型人工智能模型，这些模型的设计目标不仅是猜测平均降水量，而是重建全范围的可能性，包括罕见的剧烈风暴。通过将这些新方法与旧的统计技术和标准深度学习网络进行对比，他们发现只有新的生成式模型能够准确再现驱动洪水风险的极端降水事件。他们的工作表明，要预测对安全和基础设施至关重要的天气，我们必须停止尝试预测平均值，而开始模拟自然可能表现出的全谱系。

研究人员将重点放在印度次大陆，选择该地区不仅是因为其重要性，还因为它是天气建模中最困难的挑战之一。印度夏季季风将全年的降水集中在几次强降水中，并受西高止山脉和喜马拉雅山脉等陡峭山脉的驱动。这些地形创造了剧烈的梯度，使得降水量可以在极短距离内发生剧烈变化。为了测试他们的方法，团队使用了一个“完美模型”框架。他们没有试图修正全球气候模型的误差，而是采用了高分辨率的真实世界降水数据，故意将其模糊化处理以看起来像粗糙的全球模型，然后要求算法将其重新锐化。这使他们能够在不受其他气候模型误差噪声干扰的情况下，衡量降尺度方法的纯粹技能。他们对比了五种不同的方法：两种依赖于寻找过去天气模式的旧统计方法，一种预测最可能结果的标准深度学习网络，以及两种基于先进概率论的新型生成模型。

结果非常显著。旧方法和标准深度学习网络一致未能捕捉到降水的上限。因为这些模型通过寻找中间值来最小化误差，它们自然地平滑了数据。当面对一个可能对应多种高分辨率现实的低分辨率输入时，它们选择了平均值。对于降水这种右偏变量（即大多数日子是干燥的，但少数日子极其潮湿），平均值无法代表现实。这些方法对极端降水强度的低估高达67%。在实际操作中，如果一个预测十年一遇洪水水平为40毫米的方法，而现实却是126毫米，那么对于建造大坝或规划城市的人来说，这是极其危险且具有误导性的。标准深度学习网络虽然在空间模式上表现较好，但仍然平滑了峰值，实际上是将罕见的灾难性风暴变成了温和、可控的阵雨。

相比之下，研究人员称之为“概率路径”（probability-path）模型的两种新型生成模型在其他方法失败的地方取得了成功。这些模型并不试图猜测单一的平均结果。相反，它们学习给定条件下所有可能降水模式的完整分布。当被要求进行降尺度处理天气图时，它们从这一全范围的可能性中进行采样，生成一个包含罕见极端事件的现实高分辨率场。其中一个基于“流匹配”（Flow Matching）技术的模型和一个基于“去噪扩散”（denoising diffusion）的模型，都以极高的精度恢复了观测到的极端降水统计特性。它们重建极端值分布的形状，误差仅为百分之零点几，并能将十年一遇的降水量估计在观测值的1%以内。这意味着它们可以准确预测最危险风暴的强度，保留了被其他方法平滑掉的分布中的“重尾”。

除了准确性之外，研究还揭示了两种新型生成模型之间在效率上的显著差异。虽然两者都能产生高质量的结果，但流匹配模型以更少的计算量实现了这一目标。生成单张高分辨率天气图，扩散模型所需的计算次数远多于流匹配模型。流匹配方法可以使用仅为后者一小部分的计算步骤，产生同等或更高质量的结果。这种效率至关重要，因为概率预报通常需要运行模型数十次甚至数百次，以创建可能的未来情景集合。如果每次运行都很慢，创建可靠的预报将变得成本过高。研究人员发现，流匹配模型可以在运行速度显著快于计算沉重的扩散模型的同时，达到与之相当的性能，使其成为实际业务预报和大规模风险评估中更实用的工具。

研究还检查了这些模型捕捉降水随时间变化的纹理和持续性的能力。洪水和干旱不仅取决于降雨强度，还取决于降雨时长。旧方法在此方面也表现挣扎。统计类比法（通过拼接过去天气片段的方法）倾向于打断长期的干旱期或创造出不切实际的长降水期。标准深度学习网络则平滑了景观，丢失了降水带的精细纹理。然而，生成式模型能够高保真地再现湿润和干燥时段的自然变率。它们保持了正确的空间粗糙度，确保降水不仅仅是平滑的梯度，而是像现实中那样呈现为密集细胞与干燥间隙交织的拼布状。它们还正确捕捉了季风的节奏，能够区分活跃的强降水阶段和较轻的天气间歇阶段，而这种细微差别往往会被平均值方法模糊处理。

尽管取得了这些成功，研究人员也指出这项工作并非没有局限性。模型在极度潮湿的山区仍显示出轻微的降水低估倾向，这是目前所有降尺度技术面临的已知挑战。此外，虽然模型可以生成多种可能的结果，但这些结果的离散程度有时过于狭窄，意味着它们的变率比现实世界略低。这表明，虽然模型在捕捉极端情况方面表现出色，但在实现完美的概率风险评估方面可能仍需进一步改进。此外，该研究是在“完美模型”设置下进行的，这意味着它是在隔离全球气候模型固有误差的情况下测试降尺度逻辑。研究人员的下一步是将这些工具与现实世界的气候投影相结合，以观察它们在预测未来气候情景中的表现。

最终，这项研究强调了我们对待天气预测方式的一个根本转变。几十年来，目标一直是寻找未来的单一最佳估计，即天气最可能的路径。这项研究证明，对于像降水这样极端情况决定后果的变量，所谓的“最可能”路径往往是错误的。通过拥抱全范围的可能性，并使用生成模型从结果的整个分布中进行采样，科学家终于可以找回那些定义洪水风险的极端事件。正如流匹配模型所展示的那样，高效地实现这一目标，为高分辨率、概率性的预报打开了大门，从而能更好地为应对变化中的气候做出决策。研究结果证实，要理解真正重要的天气，我们必须停止寻找平均值，转而开始模拟自然波动性的全谱系。