TCP-Diffusion: A Multi-modal Diffusion Model for Global Tropical Cyclone Precipitation Forecasting with Change Awareness¶

会议: ICML 2025
arXiv: 2410.13175
代码: https://github.com/Zjut-MultimediaPlus/TCP-Diffusion
领域: 扩散模型 / 气象预测
关键词: 热带气旋降水, 扩散模型, 多模态气象数据, 邻接残差预测, NWP融合

一句话总结¶

提出 TCP-Diffusion，融合历史降水、多模态气象变量和 NWP 预报的条件扩散模型，通过邻接残差预测（ARP）机制预测降水变化量而非绝对值，在全球热带气旋降水预报中超越 ECMWF 等权威 NWP 方法。

领域现状：常规降水预报的深度学习方法已有进展（U-Net、GAN、扩散模型），但热带气旋（TC）降水预报尚未被系统研究——预测区域随 TC 移动，且 TC 降水的时空结构更复杂。

现有痛点：(a) 直接预测绝对降水值存在累积误差，且不保证物理一致性；(b) 仅用降水数据信息不足以捕获 TC 降水模式；(c) DL 方法未充分利用 NWP 模型提供的物理信息。

核心矛盾：TC 降水高度动态（区域跟随 TC 移动、受风场等多因素影响），纯数据驱动方法信息不足。

本文目标 (a) 减少累积预测误差；(b) 提取更丰富的气象信息；(c) 整合 NWP 预报作为引导。

切入角度：借鉴 NWP 中预测变化量的思想 + 多编码器提取异构气象数据 + NWP 预报作为条件。

核心 idea：预测降水变化量（ARP）+ 多模态条件编码 + NWP 融合的时空扩散模型。

TCP-Diffusion 基于时空 3D UNet 扩散模型，输入包括两部分：(1) 历史观测数据（降水、ΔRainfall、ERA5 环境变量、TC 标量变量）；(2) NWP 未来预测数据。用 ARP 将预测目标从绝对降水值改为相邻时间步的降水残差。

邻接残差预测 (ARP):
- 功能：改变训练目标，从绝对降水值改为相邻步差值
- 核心思路：\(\Delta_x^t = X_{\text{rain}}^t - X_{\text{rain}}^{t-1}\)，模型预测未来的 \(\hat{\Delta}_y\)，最终 \(\hat{y}_{n+t} = X_{\text{rain}}^n + \sum_{z=1}^t \hat{\Delta}_y^{n+z}\)
- 设计动机：借鉴 NWP 中的增量预测思想，减少累积误差，保证降水变化趋势的物理一致性
Historical Data Encoder（多模态）:
- 功能：编码 2D 气象场（降水+环境变量）和 1D 标量（TC 强度、路径）
- 核心思路：2D 数据用 3D CNN 编码时空特征；1D 标量变量用 MLP + Transformer 编码时序依赖
- 设计动机：不同模态数据维度不同，需要专用编码器
Future Prediction Data Encoder:
- 功能：编码 NWP 模型（ERA5-IFS）的未来预报作为条件
- 核心思路：使用修改版 ResNet-18 提取未来预报的特征，注入 3DUNet 作为引导
- 设计动机：NWP 预报包含物理方程编码的信息，可辅助 DL 模型做更准确的预测
EA-3DUNet（核心去噪网络）:
- 功能：融合所有编码特征进行时空去噪
- 核心思路：3D UNet 处理时空数据，编码器输出、标量特征和 NWP 条件分别注入不同层
- 设计动机：需要同时捕获空间结构（雨带形状）和时间演化（降水增强/减弱趋势）

方法	ETS-6 ↑	ETS-24 ↑	ETS-60 ↑	TPMAE ↓
U-Net	0.442	0.106	0	0.475
PreDiff	0.385	0.119	0.004	0.536
NowcastNet	0.422	0.090	0.000	0.570
TCP-Diffusion	0.438	0.147	0.006	0.423

方法	ETS-6 ↑	ETS-24 ↑	ETS-60 ↑	TPMAE ↓
ERA5-IFS	0.202	0.016	0	0.511
ECMWF-IFS	0.302	0.083	0.003	0.507
TCP-Diffusion	0.412	0.128	0.004	0.474