新上线今天0 投票
AirCast-SR：基于潜在一致性扩散的千米级大气超分辨率基础模型
从28公里到1公里：AI如何让天气预报“看清”每一朵云？
传统数值天气预报（NWP）在千米级别的高分辨率预测上，始终面临“算力墙”——全球范围精细模拟的成本高到难以落地。能源、农业和灾害管理等行业，恰恰需要这类精细时空信息。最新发布的AirCast-SR模型，正试图用AI打通这一瓶颈。
核心能力：将全球预报“放大”67倍
AirCast-SR是一个大气超分辨率基础模型，其核心任务是将全球AI天气预报从0.25度（约28公里）分辨率，降尺度至1公里水平分辨率，时间步长为每小时，一次输出67小时内的8个耦合地表变量。这意味着，原本只能看清城市群级别的预报，现在能精细到乡镇甚至局部风电场尺度。
技术架构：3D U-Net + 潜在一致性扩散
模型采用三维U-Net作为骨干网络，并嵌入潜在一致性模型（LCM）扩散框架进行条件生成。训练数据基于美国本土（CONUS）的图块样本：输入来自GraphCast预报，目标数据来自NOAA的校准分析记录（AORC）。这种设计让模型不仅学习统计映射，还能在扩散过程中保持物理一致性。
关键验证结果
- 近零偏差：在所有变量和预报时效上，模型输出与真实观测的偏差趋近于零。
- 精细结构保留：径向功率谱密度分析显示，在10公里至100公里波长范围内，AirCast-SR成功保留了粗模型丢失的细尺度大气结构。
- 跨季节泛化：在冬季、夏季和春季三种典型场景的案例研究中均表现稳定。
- 零样本全球迁移：无需任何微调或重新训练，模型直接应用到印度和德国的独立地面站观测数据，效果依然可靠——这证明了其作为基础模型的通用性。
行业意义：开放权重的“新范式”
AirCast-SR以开放权重形式发布，意味着研究者和企业可以直接使用、进行区域微调或蒸馏，甚至开发下游应用，如气候服务、灾害预警等。这为千米级AI天气预报建立了一个新的范式——不再依赖超级计算机，而是通过AI超分辨率，让全球粗预报“适配”本地需求。
对于气象领域而言，AirCast-SR的发布可能意味着：未来天气预报的分辨率瓶颈，将从算力转向数据与模型设计。而对于能源调度、农业规划和应急响应等场景，1公里级的预报信息或许很快就能像今天的7天预报一样触手可及。