SurgeGen：两阶段扩散模型框架，用于快速生成风暴潮情景
研究团队提出SurgeGen，将基线预测与条件扩散模型结合，在连续参数空间内针对假设风暴生成精细风暴潮情景，可覆盖训练分布内外条件。
AI解读：传统风暴潮预测依赖求解纳维-斯托克斯方程的物理数值模型，计算成本很高，难以快速产出多个可能情景。SurgeGen把问题拆成两步：先用一个基线模型算出粗略的风暴潮高度，再用这个结果去条件化一个扩散模型，生成空间细节和变异性更丰富的精细情景。这种设计既保留了生成模型能产出多样结果的优势，又让中间产物（粗估高度）可解释。对应急和海岸风险管理来说，实际意义在于：过去只能拿到一条确定性预报，而现在可以在连续参数空间里对假想的台风批量生成多种风暴潮场景，并且论文称在训练分布内外都能生成真实多样的结果。需要注意的是，目前这是arXiv论文，依据来源是摘要，尚未见到与真实观测的定量对比或业务化验证，所以还不能直接当作替代物理模型的工具来用。
arXiv论文（编号 2609.03382，2026 年 9 月 3 日提交）提出SurgeGen，一个用于风暴潮情景合成的两阶段生成框架。研究来自Shunan Zheng与John J. Hasenbein。
框架先由基线模型生成风暴潮高度的粗略估计，再用该估计作为条件输入扩散模型，生成能更好捕捉空间形态与变异性的精细风暴潮情景。风暴参数在连续空间中定义，可面向假设风暴进行条件生成。
论文称该方法在训练分布之内与之外条件下均能生成真实、多样的风暴潮情景。
摘要指出，传统基于物理的数值模型通过数值方法求解纳维-斯托克斯方程来模拟风暴潮，计算成本高昂；生成模型此前在风暴潮仿真中的应用基本未被探索。论文归属方向为Dynamical Systems (math.DS) 与Machine Learning (cs.LG)。