新扩散模型SimCast-S2S挑战ECMWF业务系统，称在S2S降水预报上部分指标更优
研究团队称其为首个将扩散生成框架用于次季节到季节降水概率预报的数据驱动系统，通过潜空间与迁移学习降低集合生成成本。
AI解读：这篇论文解决的核心问题是：次季节到季节（S2S）降水预报既要有概率（知道下雨的可能性和不确定性），又要算得快，传统业务系统如ECMWF-S2S虽然准但计算成本极高，数据驱动模型虽有速度优势却缺乏不确定性量化。作者提出SimCast-S2S，用扩散模型来生成降水概率的样本，首次把这类生成式方法引入S2S预测。它的实现思路是：在变分自编码器学到的紧凑潜空间里生成大集合，避免在物理空间算高维数据的高昂代价；同时用LoRA做迁移学习，先在气候模拟的大数据集上预训练，再在有限的再分析数据上微调，解决扩散模型需要大数据的问题。研究者声称，在再分析数据上它优于CNN和U-Net等深度学习基线，并且即便只用部分大气输入变量、不做后处理、偏差校正或校准，也能与ECMWF-S2S业务基线竞争，许多方面还更好。如果你从事气候预测或防灾决策，这意味着未来可能出现一种计算成本更低、能耗更小的概率预报工具，但要留意作者只做了输入变量子集的实验，且论文提交到期刊评审，宣称的性能还需要独立复现验证。
arXiv上一篇9月3日更新的论文提出一种名为SimCast-S2S的生成式潜扩散模型，用于次季节到季节（S2S）降水概率预报。论文作者Hiep V. Dang和Antonios Mamalakis称，SimCast-S2S是首个用扩散生成流程做S2S预测的数据驱动系统。该论文的摘要显示，它声称在再分析数据上的表现优于卷积神经网络和U-Net等深度学习基线，并且能在不使用全部大气输入变量、不做后处理、偏差校正或校准的情况下，与ECMWF-S2S业务基线相竞争，且在许多方面更优。此论文已提交给npj Climate and Atmospheric Science期刊审阅。