SDECast
基于神经随机微分方程（Neural SDE）的连续时间概率性天气预报模型，能够在任意时间分辨率下生成集合预报，通过SDE Matching方法在物理空间中直接学习随机动力学，无需训练期间反复进行SDE仿真
时间轴 (近 90 天)
SDECast 使用神经随机微分方程（Neural SDE）实现连续时间下的概率性天气预报
SDECast 将天气演化建模为在连续时间上演化的随机过程，而非离散时间步的跳跃
SDECast 扩展了 SDE Matching 方法，使其能够直接在物理空间中学习随机动力学
SDECast 的训练过程无需在训练期间反复进行 SDE 仿真，从而降低计算开销并提升可扩展性
在模拟的地球物理流场实验中，SDECast 能够恢复出有意义的漂移动力学并再现底层连续时间行为
在逐小时分辨率的全球天气预报任务中，SDECast 能够生成具有技巧性的概率性预报，预报时效可达五天
SDECast 作为新发布的预印本成果，其效果仍需更多独立评测与真实业务环境检验，尤其缺乏与主流 AI 气象模型的系统性对比
SDECast 的连续时间随机框架为 AI 模型中的不确定性量化提供了一条不同于扩散模型集合或显式扰动方法的新路径
全部知识事实 (8)
SDECast 使用神经随机微分方程（Neural SDE）实现连续时间下的概率性天气预报
50%待验证SDECast 将天气演化建模为在连续时间上演化的随机过程，而非离散时间步的跳跃
50%待验证SDECast 扩展了 SDE Matching 方法，使其能够直接在物理空间中学习随机动力学
50%待验证SDECast 的训练过程无需在训练期间反复进行 SDE 仿真，从而降低计算开销并提升可扩展性
50%待验证在模拟的地球物理流场实验中，SDECast 能够恢复出有意义的漂移动力学并再现底层连续时间行为
50%待验证在逐小时分辨率的全球天气预报任务中，SDECast 能够生成具有技巧性的概率性预报，预报时效可达五天
50%待验证SDECast 作为新发布的预印本成果，其效果仍需更多独立评测与真实业务环境检验，尤其缺乏与主流 AI 气象模型的系统性对比
50%待验证SDECast 的连续时间随机框架为 AI 模型中的不确定性量化提供了一条不同于扩散模型集合或显式扰动方法的新路径
50%