China: 3 km Wettervorhersagen dank neuer Diffusions-Downscaling-Methode

Die Erzeugung hochauflösender Wettervorhersagen bleibt eine zentrale Herausforderung der numerischen Wettervorhersage. Häufig werden dafür Downscaling‑Methoden eingesetzt, die die Ausgabe globaler Modelle auf kleinere Skalen übertragen. Dabei unterscheiden sich dynamische und statistische Ansätze; letzterer nutzt statistische Zusammenhänge zwischen historischen Niedrig- und Hochauflösungsdaten.

In der aktuellen Veröffentlichung wird ein auf Diffusionsmodellen basierendes Downscaling‑Framework namens CorrDiff vorgestellt. Im Gegensatz zur ursprünglichen Version wird hier ein Gebiet betrachtet, das fast 20‑mal größer ist – die gesamte Region China. Zusätzlich zu Bodendaten werden nun auch hochgelegene Variablen (sechs Druckebenen) als Zielvariablen einbezogen. Eine globale Residualverbindung wurde ergänzt, um die Genauigkeit weiter zu steigern.

Zur Generierung von 3‑km‑Vorhersagen für China wurden die trainierten Modelle auf die 25‑km‑Globalvorhersagen des CMA‑GFS, eines operativen globalen Modells der China Meteorological Administration, sowie auf SFF, ein datengetriebenes Deep‑Learning‑Modell auf Basis von Spherical Fourier Neural Operators, angewendet. Als Referenzmodell diente CMA‑MESO, ein hochauflösendes regionales Modell. Die experimentellen Ergebnisse zeigen, dass die neuen Diffusions‑Downscaling‑Methoden die Vorhersagequalität deutlich verbessern.

Diese Fortschritte eröffnen neue Möglichkeiten für präzisere Wetterprognosen in China und könnten die Grundlage für weitere Entwicklungen in der regionalen Wettervorhersage bilden.