“残差扩散”拯救短临降水预测？DiffCast论文阅读

Tue, 24 Feb 2026 20:32:24 +0800

ℹ️ 写在前面

本文尚未完成，但近期不会补充完整。

这里记录一下还需要写的部分：

在刚接触气象领域研究时，学长推荐我阅读《DiffCast: A Unified Framework via Residual Diffusion for Precipitation Nowcasting》这篇论文，说可以参考学习扩散模型如何应用在气象领域，解决短临降水问题。

学长自己的研究中，曾经将 DiffCast 作为Baseline之一（据他自己说，效果不够好hh）。我们现在手上的工作也是扩散模型相关，因此阅读这篇论文还是很有必要的。

相关知识铺垫

我们来看看文章如何定义短临降水问题：

短临降水问题可以表述为一个时空预测问题（Spatio-temporal prediction problem），基于当前的观测数据，预测未来很短时间范围内（0~6h）的高时空分辨率降雨情况

输入：$L_{in}$ 帧初始雷达回波图像序列 $x=[x_i]^0_{i=-L_{in}} \in \mathbb{R}^{L_{in} \times H \times W \times C}$
输出：未来 $L_{out}$ 帧序列 $y=[y_i]^{L_{out}}_{i=1} \in \mathbb{R}^{L_{out} \times H \times W \times C}$
数学本质：建模条件概率分布 $p(y|x)$

翻译一下，这个公式表示 ”在已知 $x$ 的条件下，$y$ 发生的概率分布“。

我们预测的不是唯一的结果，而是要所有未来情况的发生概率。

短临降水问题不仅仅是“预测下一帧图像”，而是一个需要同时解耦并建模“全局确定性运动”与“局部随机残差”的复杂时空演化问题。

扩散模型（DDPM）主要包含两个过程：

前向扩散（Forward Diffusion）

给定一个清晰图像 $x_0$，在 $T$ 步内逐步加入高斯噪声，得到 $x_1,x_2,\dots,x_T$ 。到了 $x_T$ ，图像就变成了纯高斯噪声。
逆向去噪（Reverse Denoising）