Earth-2 天气生产决策教程：SDA在两个示例中降低风速误差

报道讲了什么

• NVIDIA发布Earth-2的AI数据同化工具，可处理观测数据以更频繁地发布预报，并针对特定区域定制预报流程。
• 教程涵盖两种技术：用点观测约束扩散模型（区域模型）和将不同数据集同化为一致状态（全球模型）。
• 在CorrDiff-SDA示例中，SDA将留出站点的风速RMSE降低了54%。

可以做什么

• 使用SDA将观测融入基于扩散的AI降尺度与预报模型（如CorrDiff和StormCast），无需重新训练模型。
• SDA支持更快速地更新预报，可连续融入观测，而数值分析需大量处理时间且按固定时间表发布。
• 可融入专有、区域或领域特定的观测数据，使预报聚焦于特定资产位置或下游应用。

怎么使用

1. 加载预训练的CorrDiff模型，指定同化变量、分辨率和区域。
2. 获取ERA5低分辨率条件数据和GHCN风观测数据。
3. 运行模型：先无观测运行，再有观测运行以对比效果。

结果与限制

• SDA效果取决于观测的数量、空间分布和准确性，以及预测场的特征长度尺度和观测算子的质量与适定性。
• SDA输出是概率性的，观测位置附近不确定性较小，远离观测位置则不确定性增大。
• 在StormCast-SDA示例中，SDA在六个时间步上平均降低留出站点风速RMSE 7.2%。

使用入口与依据