摘要

本文介绍了一种基于生成式人工智能的集合后处理方法，旨在提高美国连续地区（CONUS）极端降水事件的概率预报。该方法结合了3D Vision Transformer（ViT）进行偏差校正和Latent Diffusion Model（LDM）进行后处理，生成包含时空一致性降水轨迹的扩展生成集合。这些轨迹有望改善极端降水事件的特征描述，并提供有技巧的多日累积和6小时降水指导。该方法使用全球集合预报系统（GEFS）的降水预报进行测试，并与气候校准降水分析（CCPA）数据进行验证。验证结果表明，该方法生成的集合成员在连续排名概率技巧评分（CRPSS）和Brier技巧评分（BSS）上均优于原始的GEFS操作集合和多元统计后处理基线。此外，还进行了可解释性研究，揭示了该方法的决策过程，并确认了其在集合成员生成中的有效性。这项工作引入了一种新颖的基于生成式AI的方法，以解决小规模数值集合的局限性，并满足识别极端降水事件对更大集合的需求。

原理

该方法的核心在于结合了三种先进的人工智能技术：3D Vision Transformer（ViT）、Latent Diffusion Model（LDM）和Vector-Quantized Variational Autoencoder（VQ-VAE）。首先，VQ-VAE用于将网格化的降水场转换为压缩和正则化的潜在空间，从而实现有效的偏差校正和集合生成。接着，3D ViT在VQ-VAE的潜在空间内进行操作，对GEFS的APCP预报进行偏差校正。最后，LDM被用来生成基于偏差校正成员的条件采样，从而产生后处理的成员作为输出。整个过程在VQ-VAE的潜在空间内进行，通过VQ-VAE编码器将GEFS成员投影到潜在空间，并通过VQ-VAE解码器将潜在空间输出投影回真实空间。这种方法的先进性在于其能够生成时空一致的降水轨迹，这些轨迹能够更好地描述极端降水事件，并且可以汇总为概率指导。

流程

1. 数据预处理：使用VQ-VAE将GEFS的APCP预报和CCPA数据转换为压缩的潜在空间表示。
2. 偏差校正：通过3D ViT在潜在空间内对GEFS的APCP预报进行偏差校正。
3. 集合生成：利用LDM生成基于偏差校正成员的条件采样，从而产生后处理的成员。
4. 数据后处理：通过VQ-VAE解码器将潜在空间输出投影回真实空间，生成最终的降水预报。
5. 验证与评估：使用CCPA数据对生成的预报进行验证，评估其在CRPSS和BSS上的表现。

例如，对于一个具体的极端降水事件，该方法首先将GEFS的预报数据通过VQ-VAE转换为潜在空间表示，然后通过3D ViT进行偏差校正，接着通过LDM生成多个可能的降水轨迹，最后通过VQ-VAE解码器将这些轨迹转换回真实空间，生成最终的预报结果。

应用

该方法的应用前景广泛，特别适用于需要高精度概率预报的极端降水事件。它可以为气象预报、洪水风险评估、水资源管理等领域提供重要的决策支持。随着技术的进一步发展和优化，预计该方法将在全球范围内的气象预报中发挥重要作用，特别是在极端天气事件的预测和预警中。