.png){kind=icon}
返回
Probabilistic Spatial Interpolation of Sparse Data Using Diffusion Models
.png){kind=icon}
PRE
AI
DOI：10.1175/AIES-D-25-0049.1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前气候模型严重依赖于可靠的初始条件，即地球的一个合理可信的快照，所有未来预测均由此产生。然而，鉴于系统的固有混沌特性，这一约束因敏感性依赖而变得复杂，微小的不确定性可能随时间呈指数级发散。这一挑战在全球空间尺度和世纪时间尺度上尤为突出，因为数据缺口不仅常见且可预期。不确定性来源有两方面：1）来自卫星和地面站的稀疏、噪声观测数据；2）模型内部简化近似导致的变异性。实践中，数据同化方法通过将模型状态基于可用观测进行条件化，以调和缺失信息。我们的工作基于此思路，但着眼于极端稀疏情况。我们提出一种条件数据插补框架，可从仅1%的观测覆盖率重建完整温度场。该方法利用由预克里金掩码引导的扩散模型，从最少数据点有效推断全状态场。我们在南部大平原对框架进行验证，重点关注2018-21年夏季下午至夜间（1200-0000 LT）的温度场。从条带数据到孤立现场传感器等不同观测密度下，模型均实现强重建精度，凸显其在历史重分析和实时预测流程中填补关键数据缺口的潜力。
Keyword:
In situ atmospheric observations
Satellite observations
Interpolation schemes
Model initialization
Deep learning
