SDECast: Probabilistic Weather Forecasting in Continuous Time with Neural SDEs
Maria Marchenko, Martin Andrae, Fredrik Lindsten, Christian A. Naesseth
NeurIPS 2026
stat.ML, cs.LG, physics.ao-ph
2026-10-02
SDECast 免模拟训练 Neural SDE 学连续时间大气动力,ERA5 上逐小时概率预报到 5 天,长时效优于自回归基线。
主流机器学习天气模型走同一条路:学一个固定时间步的单步预测器,再自回归往前滚。这个范式在 6 小时这类粗步长上高效,毛病有两个。步长一短,误差滚雪球,逐小时 rollout 的误差累积相当严重;单步预测器又是个黑箱映射,微分方程自带的两条归纳偏置,时间连续性和空间局部性,没有写进模型结构。
替代路线是用 Neural ODE 建连续时间动力,但已有工作要么确定性、给不出概率预报,要么训练要反复仿真、代价太高。Neural SDE 同时学漂移和扩散,天然出概率集合,可传统训练需要精细采样的轨迹,或训练中反复解 SDE,撑不起高维天气系统。SDECast 把 Neural SDE 的训练做成免模拟,并推到全球尺度。
分两层:底层是 SDE Matching 的免模拟训练框架,上层是这篇的物理空间改造。
要学的是 prior SDE:漂移项 hθ 刻画确定性演化,扩散项 gθ 刻画随机扰动强度。训练引入共享扩散项的 posterior SDE,其漂移以观测轨迹为条件,相当于一个把先验轨迹掰回观测附近的控制项,损失由控制项范数加观测重建构成。常规做法要反复数值积分;SDE Matching 直接参数化后验的边缘分布,只要它对时间和噪声可微、对噪声可逆,后验漂移就有解析式,损失退化为采样后直接评估,训练全程不解方程。
SDE Matching 原本是 latent 变量模型,zt 和物理状态并不绑定。SDECast 用两步把它们对齐:
代回重建损失后这一项变成常数,直接从目标里删掉。推理时把 prior SDE 初始化在最新观测状态上向前积分,步长任取,想要哪个时效就在哪个时刻读数;换一条 Wiener 路径就是一个新集合成员。ERA5 版本还把漂移和扩散条件在一天、一年中的时刻上以吸收昼夜与季节循环,扩散系数允许随空间变化,学到的不确定性幅度在陆地与海洋之间拉开了差距。
SQG 理想化湍流实验:所有模型只用 6 小时间隔快照训练,评测放到 1 小时分辨率。对比自回归 flow matching 基线,SDECast 的 RMSE 和 CRPS 更高(更差),但 spread-skill ratio 接近理想值 1,集合校准更好;基线只能停在训练用的 6 小时分辨率,SDECast 直接给 1 小时预报。换成固定线性插值后验的消融大幅掉点。有真值模拟器在手,学到的漂移与真实漂移高度接近,比 6 小时有限差分估计更忠实于瞬时动力,只是最高空间频率被低估,快变的成分被推给随机项。推理时关掉扩散,预报明显变差、轨迹过度平滑,随机性在这套模型里是承重墙。
ERA5 全球实验:5.625° 粗网格,五个变量(z500、t850、t2m、u10、v10),逐小时训练,评测到 5 天。
| 基线 | 相对结果 |
| AR-1h(逐小时自回归扩散模型) | SDECast 长时效明显更优 |
| ClimODE(物理信息 Neural ODE,6 小时起才可比) | SDECast 更优 |
| DYffusion(124 小时全时效训练) | 两者相当 |
| ARCI-24-1h(124 小时全时效训练) | SDECast 落后 |
落后 ARCI-24-1h 的解释写在论文里:该模型以前两个时刻为输入,SDECast 和 DYffusion 只传播单个状态,Markov 假设丢掉了这部分时间信息。具体指标数值都在图 3 的曲线里,正文没有列表数字,照实说明。
这篇的价值不在刷榜,在把「连续时间」这条路线往前推:一个动力模型覆盖任意时效、任意分辨率,不用按分辨率分别训练;概率预报原生,采样 Wiener 路径就出集合成员;漂移和扩散是显式函数,扩散幅度图直接标出模型认为哪里不确定性大。也要泼冷水:这是 NeurIPS 2026 workshop 论文,五个变量加 5.625° 粗网格是研究级配置,四个基线全在连续时间与自回归家族里,没有和业务级 SOTA 系统对照。
作者自列:后验与扩散系数参数化偏简化(对角形式,SQG 里扩散甚至是常数),实验范围有限。读下来另有几点。学到的漂移只覆盖粗时间尺度,细尺度动力被折进噪声,「学到了物理」要打折扣。确定性变体大幅掉点,点预报能力有限,价值集中在集合。落后 ARCI-24-1h 提示单状态 Markov 假设天然吃亏,双时刻输入这种便宜改动能捡回精度。训练免模拟,推理仍要按目标分辨率数值积分 SDE,高分辨率下的计算成本论文没有讨论。