跳到正文
arXiv cs.AI· Arun Sharma·· 4 小时前AI 评分31

面向气候降尺度的物理约束修正流:投影能认证什么?

Towards Physics-Constrained Rectified Flow for Climate Downscaling: What Projections Can Certify?

AI 导读

物理约束修正流(PC-RF)是一种条件流匹配降尺度模型,其训练惩罚针对风场散度、负降水和粗网格总量漂移,采样后的投影可精确消除后两项。在无训练网络的合成场上,投影将非负违反率(NVR)从 0.236、质量守恒误差(MCE)从 0.184 降至零,惩罚项使散度误差(DE)降低约 30%。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:统计降尺度恢复了洪水和作物胁迫背后的区域细节,但扩散和流匹配生成器可能产生尖锐场,从而破坏其粗输入所遵循的守恒定律。物理约束整流流(PC-RF)是一种条件流匹配降尺度器。其训练惩罚针对风散度、负降水和相对于粗网格总量的质量漂移,采样后的投影则精确消除后两者。在一个无训练网络的损坏合成场上,该投影将非负性违反率(NVR)从 0.236、质量守恒误差(MCE)从 0.184 降至零,惩罚项将散度误差(DE)降低约 30%。在 ERA5 上,该投影使 PC-RF 和无惩罚的整流流基线 RF-base 的 NVR 恰好为零,MCE 在 float32 舍入范围内为零。这些惩罚项没有带来任何我们能将其与训练预算或运行间波动区分开的感知增益。在 2019-2021 年匹配预算下,PC-RF 相比 RF-base 没有优势(SSIM 0.939 对 0.942,PSNR 31.81 对 31.79,CRPS 0.771 对 0.772)。我们未投影的 CorrDiff 复现在 2020 年于 PSNR(28.38)和 CRPS(1.092)上均优于两个流模型,但其集合平均降水格点中有 45% 为负。在 ERA5 上,散度算子中的一个符号错误使该惩罚项和 DE 作用于一个类形变项。精细参考由 ERA5 插值而来,并在更长的时间窗口内累积降水,因此感知分数无法确立降尺度能力。NVR 和 MCE 只需一次前向且无需精细参考,因此我们认为它们应首先作为通过/失败检查运行,并将 DE 作为诊断指标。
评论: 已被 AIAS+ 2026、ACM ICPS 论文集接收。9 页
主题: 人工智能(cs.AI)
ACM 分类: I.2.6; J.2
引用为: arXiv:2611.22283 [cs.AI]
  (或本版本的 arXiv:2611.22283v1 [cs.AI])
  https://doi.org/10.48550/arXiv.2611.22283

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Arun Sharma [查看邮箱]
[v1] 2026 年 11 月 17 日星期二 06:33:34 UTC(246 KB)

来源:arXiv cs.AI · arxiv.org