本书聚焦人工智能在天气预测中的关键应用，系统阐述生成大模型（如去噪扩散概率模型、生成对抗网络、流模型等）在天气预测建模任务中的理论基础、技术路径与工程实践。针对传统数值天气预报在短时强降水、高分辨率预报中的局限性，本书提出以生成模型为核心的预测新技术，深入剖析其在雷达图像生成、时空特征建模、降水强度分级预测、极端降水识别等关键问题中的应用策略。
　　全书系统介绍时空条件去噪扩散概率模型、时空可分离隐空间去噪扩散概率模型、因果注意力Transformer去噪扩散概率模型及物理-神经深度融合预报模型等核心架构，全面覆盖降水预测模型的设计、训练、推理与评估全流程。同时拓展至中长期气候预测领域，详细介绍了先进深度学习框架的应用及ENSO（厄尔尼诺-南方涛动）等典型气候现象的建模与预测方法，提供了全尺度预测视角。


更多科学出版社服务，请扫码获取。

(1) 2010-09 至 2013-06, 电子科技大学, 信息与通信工程, 博士 (2) 2004-09 至 2007-06, 西华师范大学, 计算机应用技术, 硕士 (3) 1996-09 至 1999-06, 成都理工学院, 材料科学工程系, 大专(1) 2022-01 至 今, 宜宾学院, 人工智能与大数据学部, 教授 (2) 2015-01 至 2021-12, 宜宾学院, 计算机与信息工程学院, 副教授 (3) 2014-01 至 2015-11, 宜宾学院, 计算机与信息工程学院, 讲师 (4) 2007-06 至 2013-12, 宜宾职业技术学院, 信息工程系, 讲师 (5) 1999-07 至 2004-08, 四川省宜宾市国营七九九厂, 一零二分厂, 技术员机器视觉、人工智能1) Chaorong li, yuanyuan Huang, Yu xue, Dependence structure of Gabor wavelets for face recognition, Expert Systems With Applications, 2019, 一区，8.3

目录
前言
第1章 绪论 1
1.1 研究背景与意义 1
1.2 生成模型的发展历程 1
1.3 气象预测的技术变迁 3
1.3.1 从经验预测到数值模拟 3
1.3.2 统计学习与后处理技术的引入 4
1.3.3 人工智能模型的兴起与多源气象融合 4
1.3.4 生成模型引入：从确定性预报走向概率生成 5
1.4 生成模型在气象中的应用前景 5
1.4.1 从确定性预报向概率生成转变 5
1.4.2 在短时强降水与极端天气中的潜力 6
1.4.3 多模态融合与跨尺度建模新方向 6
1.4.4 智能气象系统中的平台化集成前景 7
1.5 本章小结 7
参考文献 7
第2章 生成模型基础原理与深度模型 10
2.1 生成建模问题定义与基本框架 10
2.2 变分自编码器原理 10
2.2.1 问题建模 11
2.2.2 变分推断与变分下界推导 11
2.2.3 网络结构与重参数技巧 11
2.2.4 核心代码实现(PyTorch) 11
2.2.5 特点与应用适应性分析 14
2.3 生成对抗网络原理 14
2.3.1 基本结构与思想 14
2.3.2 核心代码实现(PyTorch) 15
2.3.3 训练机制与常见改进 18
2.3.4 生成对抗网络在气象领域的应用前景 19
2.4 正态化流模型原理 19
2.4.1 基本思想与建模机制 19
2.4.2 核心代码实现(PyTorch) 20
2.4.3 典型结构与实现方式 23
2.4.4 正态化流模型在气象建模中的应用价值 24
2.5 整流流模型原理 25
2.5.1 基本思想与动机 25
2.5.2 建模框架与公式推导 25
2.5.3 核心代码实现(PyTorch) 26
2.6 去噪扩散概率模型原理 29
2.6.1 基本建模框架 29
2.6.2 损失函数与训练目标 29
2.6.3 扩展形式与模型改进 29
2.6.4 扩散模型在气象预测中的应用价值 30
2.7 本章小结 30
参考文献 31
第3章 去噪扩散概率模型生成框架实现 32
3.1 去噪扩散概率模型概述 32
3.2 相关统计知识 33
3.3 去噪扩散概率模型基本原理 34
3.4 去噪扩散概率模型实现过程 35
3.4.1 正向加噪过程 35
3.4.2 逆向复原过程 36
3.4.3 去噪扩散概率模型损失函数 38
3.4.4 去噪扩散概率模型训练与采样过程 40
3.5 去噪扩散概率模型生成图像的代码分析 40
3.6 去噪扩散概率模型应用 49
3.7 本章小结 50
参考文献 51
第4章 气象预测基础与数据特性 52
4.1 气象要素与基本物理过程 52
4.1.1 主要气象要素 52
4.1.2 气象演变的基本物理过程 52
4.2 动力过程 53
4.2.1 动量方程 53
4.2.2 连续性方程 54
4.2.3 涡度与散度演变 55
4.3 热力过程 56
4.3.1 热量通量输送 57
4.3.2 辐射加热与冷却 57
4.3.3 温度平流 57
4.4 水循环与微物理过程 58
4.4.1 水循环的基本环节 58
4.4.2 水循环的闭合方程 59
4.4.3 微物理参数化 59
4.5 边界层与地形影响 59
4.5.1 边界层的基本特性 60
4.5.2 地形对边界层的影响 60
4.6 气象观测数据来源与预处理 61
4.6.1 主要观测数据来源 61
4.6.2 气象数据预处理流程 63
4.6.3 气象数据预处理中的特殊挑战 63
4.7 天气雷达图像、卫星遥感数据 64
4.7.1 天气雷达图像 64
4.7.2 卫星遥感数据 65
4.7.3 典型卫星遥感传感器详细介绍 66
4.8 数值天气预报数据与模型 67
4.8.1 数值天气预报数据 67
4.8.2 ECMWF工作原理与系统特点 68
4.9 气象数据的时空特性与生成模型挑战 74
4.9.1 气象数据的时空特性 74
4.9.2 生成模型面临的挑战 75
4.10 本章小结 76
参考文献 76
第5章 短临降水预测概述 77
5.1 短临降水研究意义 77
5.2 国内外技术现状 79
5.2.1 传统方法(外推法)预测短临降水 82
5.2.2 降水相关的深度神经网络模型 83
5.2.3 深度学习中的非生成式方法降水预测 86
5.2.4 深度学习中的生成式方法降水预测 88
5.3 目前基于数据驱动的短临降水预测存在的问题 90
5.4 本章小结 91
参考文献 91
第6章 多解码框架下的短临降水预测技术 98
6.1 引言 98
6.2 TU2Net-GAN框架 99
6.2.1 判别器架构 99
6.2.2 判别器损失函数 100
6.2.3 生成器架构 100
6.2.4 生成器损失函数 101
6.3 实验设置 102
6.4 实验结果 104
6.4.1 指标性能分析 104
6.4.2 降水预测的输入帧优化 107
6.5 本章小结 111
参考文献 111
第7章 基于条件扩散模型的降水临近预测方法 113
7.1 引言 113
7.2 RNDiff框架及其方法 115
7.3 训练细节及环境 118
7.4 实验结果 118
7.5 消融实验 121
7.6 本章小结 125
参考文献 126
第8章 基于两阶段扩散模型的短临降水预测方法 128
8.1 引言 128
8.2 方法 129
8.2.1 预测阶段 130
8.2.2 重建阶段 130
8.3 实验结果 132
8.3.1 实验数据 133
8.3.2 瑞典雷达数据集实验结果 134
8.3.3 MRMS数据集实验结果 135
8.4 本章小结 136
参考文献 137
第9章 融合强度结构信息的时空可分离隐扩散模型降水临近预报技术 139
9.1 引言 139
9.2 方法 141
9.2.1 AutoEncoder-KL 141
9.2.2 时空可分离网络 143
9.2.3 时空转换模块 144
9.3 实验结果 146
9.3.1 瑞典雷达数据集实验结果 147
9.3.2 MRMS数据集实验结果 151
9.3.3 DDPM的采样速度分析 155
9.3.4 消融实验 156
9.4 本章小结 161
参考文献 162
第10章 基于因果注意力Transformer的降水临近预报方法 164
10.1 引言 164
10.2 方法 166
10.2.1 框架概述 166
10.2.2 时空块提取 168
10.2.3 DTCA的模型变体 168
10.2.4 因果注意力和通道-批次维度转换 170
10.2.5 DTAC模型训练配置 175
10.3 实验结果 175
10.3.1 瑞典雷达数据集实验结果 175
10.3.2 MRMS数据集实验结果 179
10.3.3 大降雨区域预测效果对比分析 182
10.3.4 基于扩散模型的采样速度分析 182
10.4 消融实验 184
10.4.1 时空信息捕获结构 184
10.4.2 消融实验分析 184
10.5 本章小结 188
参考文献 189
第11章 基于深度学习的中长期气候预测 191
11.1 引言 191
11.2 问题定义与科学挑战 191
11.2.1 问题定义 191
11.2.2 科学挑战 192
11.3 数据与预处理 193
11.3.1 再分析&NWP栅格数据 193
11.3.2 海-气-陆-冰多模态观测 193
11.3.3 降维、网格重采样与能量守恒处理 194
11.3.4 快速循环同化中的AI增强初场 194
11.4 中长期天气预报与短临预报特点 194
11.5 深度学习框架与代表性模型 196
11.5.1 卷积-循环基线(ConvLSTM/UNet-LSTM) 196
11.5.2 神经算子与频域模型(FNO/FourCastNet) 196
11.5.3 Transformer系列(GraphCast/Stormer) 196
11.5.4 物理引导的神经网络 197
11.6 物理引导的天气预测模型 197
11.7 基于Transformer的中长期天气预测 204
11.7.1 盘古天气预测模型 204
11.7.2 基于Swin Transformer的中长期天气预测 207
11.8 基于物理-神经深度融合天气预报模型 214
11.8.1 典型融合预报模型原理与分析 214
11.8.2 融合预报模型的改进与实现 218
11.9 ENSO气候现象预测 231
11.10 本章小结 247
参考文献 247
彩图