摘要
气候模拟器提供了一种经济高效的替代区域气候模型（RCMs）的方法，通过捕捉其动态下调函数，将全球气候模型（GCMs）模拟的大规模预测因子与区域气候模型模拟的目标变量高分辨率场（在此为降水）连接起来。机器学习方法，尤其是深度学习，通常在计算时间和能耗上比运行RCMs更具优势。生成模型因能够模拟与预测因子一致的本地高分辨率场的集合，因而备受关注。我们称之为不确定性包络的这一集合尚需适当评估其增加的价值。
在本文中，我们做出了三项贡献。首先，我们介绍了一种新的两阶段扩散框架ParamDiffusion，并将其与一种先进的扩散方法进行比较。其次，我们通过一个全面的框架扩展标准验证，这一框架与气候科学需求相一致，考察特定降水事件，包括极端事件。第三，在此框架内，我们评估扩散方法相对于确定性方法的附加价值。
我们比较了四种深度学习模型：一种旨在捕捉降水尾部的确定性模型；基于此模型的参数概率模型；一种新提出的扩散方法；以及将参数模型与扩散模型耦合的ParamDiffusion。我们的结果表明，基于扩散的方法能够高效地重现气候降水统计特征，包括分布尾部和空间复合极端事件，同时生成空间上详细的场。然而，所评估的模型均未能始终如一地考虑最极端的RCM模拟事件在其不确定性包络内。因此，尽管扩散模型在概率RCM仿真中前景广阔，但在可靠表示高影响降水极端事件方面仍需进一步进展。
博主点评： 本文通过引入ParamDiffusion框架，展现了生成模型在区域气候模拟中的潜力，尽管仍需解决极端事件的表现问题，但其在捕捉气候统计特征方面的能力值得关注。未来的研究将有助于提升模型的可靠性，特别是在应对气候变化带来的极端天气时。