ARTICLE · 1202730
300倍加速!AI捕捉极端天气
300倍加速！AI捕捉极端天气
Extreme events and statistics in an AI emulator of a global storm-resolving model
图1
图2
研究背景
全球风暴解析模式（GSRM）以公里级分辨率模拟大气运动，能够直接解析热带气旋、深对流等极端天气系统的精细结构，是研究极端事件机理和气候变化影响的重要工具。然而，这类模式的計算成本极为高昂——一次长时间模拟往往需要耗费数百万CPU小时，严重限制了集合模拟的规模和数据量。以3 km分辨率的X-SHiELD模式为例，要生成足够大的集合来统计极端事件的尾部特征，传统数值方法几乎难以承受。 近年来，AI天气气候模拟器快速发展，以机器学习替代传统数值积分，在大幅降低计算成本方面展现出巨大潜力。但多数AI模拟器聚焦于粗分辨率（如100 km）的全球场预测，难以刻画极端事件所需的高分辨率细节。如何将AI模拟器的效率优势与公里级分辨率的细节刻画能力结合起来，成为一个关键挑战。此外，极端事件处于分布尾部，样本稀少，AI模型在训练中容易低估其强度与频率，如何准确捕捉极端统计特征亦是难点。
核心问题
本研究旨在回答：能否构建一个AI模拟框架，以远低于数值GSRM的计算成本，生成统计特征逼真、极端事件可信的3 km分辨率全球模拟数据？具体而言，如何在降尺度过程中准确匹配降水和近地表风分布的极端尾部（直至99.9999百分位），并再现热带气旋强度分布？
研究方法
HiRO-ACEv2采用两阶段框架。第一阶段为100 km粗分辨率全球气候模拟器ACE2S-X-SHiELD，它以自回归方式运行，逐步预测粗化后的X-SHiELD多变量场（降水、10 m风、海平面气压）。第二阶段为基于扩散模型的降尺度器HiROv2，将100 km输出区域降尺度至3 km分辨率。扩散模型通过逐步去噪从噪声中生成精细场，其训练目标在于学习高分辨率场的条件分布。 为提升极端事件捕捉能力，作者在推理时使用两个分别针对高噪声和低噪声区间的去噪器，并改进了训练中的数据采样、噪声采样和损失加权策略——通过对稀有极端样本加权，使模型更关注分布尾部。研究使用X-SHiELD的3 km模拟输出作为参考真值，评估了"完美预测"（给定真实粗分辨率输入）和自由运行滚动两种情形下的表现。
主要发现
在完美预测情形下，HiROv2降尺度结果与3 km参考统计高度一致：全球年和聚合的降水与近地表风分布可匹配至99.9999百分位，误差在3%以内。这意味着模型不仅能生成常见的天气状态，还能再现极其罕见的极端降水和大风事件。在自由运行模拟器滚动中，HiRO-ACEv2同样能广泛跟踪热带气旋强度分布，生成的极端事件快照在形态和强度上与参考模拟一致。 计算效率方面，HiRO-ACEv2的推理成本比传统数值GSRM低300倍以上，使得生成大规模集合（如数百成员）成为可能，从而为极端事件统计研究提供充足样本。此外，多变量联合预测使模型能够同时给出一致的高分辨率降水、风和气压场，较仅输出降水的v1版本适用范围显著拓宽。
创新亮点
本研究的核心创新在于将自回归全球模拟器与扩散降尺度模型级联，兼顾全球场演变的物理一致性与区域高分辨率细节的生成质量。针对极端事件统计偏差问题，作者提出多去噪器推理和尾部加权训练策略，有效改善了分布尾部的匹配精度，这是以往AI降尺度工作较少系统处理的问题。与HiRO-ACEv1相比，v2实现了多变量联合降尺度，并首次系统评估了直至99.9999百分位的极端统计保真度。
研究意义
该工作表明，AI模拟器能够在极端事件统计层面达到与公里级数值模式高度一致的水平，而成本降低两个数量级以上。这为热带气旋气候学研究、极端降水风险评估以及高分辨率模式数据的增广提供了实用工具，也为AI气候模拟器的评估标准（不仅看均值，更看尾部）树立了参考。
未来展望
当前框架的降尺度仍限于区域范围，全球3 km一致降尺度尚待实现；扩散模型的生成多样性评估和物理守恒约束也需进一步检验。未来可将该框架扩展至气候变化情景模拟，并探索与观测数据的融合以提升真实世界适用性。
图3
图4
📎 论文链接：https://arxiv.org/abs/2610.17693
📅 发布时间：2026-10-13
