基于生成式扩散模型的气候降尺度：从全球到区域尺度的高分辨率重建与不确定性量化

《Environmental Data Science》：IPSL-AID: generative diffusion models for climate downscaling from global to regional scales

　　

专业术语翻译 有效的气候变化适应与减缓策略需要高分辨率的气候预估以支持战略决策。传统的全球气候模型（GCM）通常运行在150至200公里的分辨率上，无法表征关键的区域过程。IPSL-AID是一种基于去噪扩散概率模型（DDPM）的全球到区域降尺度工具，旨在解决这一局限性。该模型基于ERA5再分析资料训练，利用粗分辨率输入及其时空背景生成0.25°分辨率的温度、风和降水场。该模型还模拟细尺度特征的概率分布，以生成用于不确定性量化的合理情景。模型能够准确重建统计分布，包括极端事件、功率谱和空间结构。本研究凸显了生成式扩散模型在高效气候降尺度及不确定性估计方面的潜力。气候降尺度通常包含两个组成部分——超分辨率（SR）与偏差校正（BC）。本研究聚焦于前者。

论文解读文章

研究背景与问题

气候变化对农业、林业、能源和水资源供给等关键社会经济部门构成重大风险。制定有效的适应与减缓策略需要可获得的高分辨率（HR）气候预估，以预判局地和区域尺度的影响。广泛使用的全球环流模型（GCM）空间分辨率约为150–200公里（IPCC，2023），这一粗分辨率不足以捕捉由地形、海陆对比和地表异质性塑造的关键细尺度过程，而这些过程对区域气候动力学和极端天气事件至关重要。因此，将气候模型输出降尺度至更细分辨率是提供局地相关气候信息的必要手段。

传统降尺度方法分为两类：动力降尺度利用嵌套的区域气候模型（RCM）在更细空间尺度上显式模拟物理过程，但计算需求极高，限制了其在大集合或长模拟周期中的应用；统计降尺度建立大尺度气候预测因子与局地变量之间的经验关系，但难以捕捉复杂的非线性相互作用并维持生成场的多变量物理一致性。近年来，基于人工智能的天气预测方法（如Pangu-Weather、GraphCast、FourCastNet）展现出显著潜力，可从ERA5等再分析资料中学习细尺度细节，实现高效自动降尺度。然而，这些方法通常是确定性的，可能引入系统性偏差，且缺乏量化降尺度过程固有不确定性的稳健框架。近期研究显示扩散模型在降尺度中具有潜力，但已有工作（如CorrDiff、Watt和Mansfield的研究）局限于固定区域域，未涉及降水降尺度，且依赖区域特定训练，无法推广至新地理区域而无需重新训练。

研究内容与结论

本研究引入IPSL AI降尺度工具（IPSL-AID），一种基于去噪扩散概率模型（DDPM）的全球到区域降尺度工具，具有多项关键创新。首先，提出随机块采样策略，使模型能够在有限GPU资源下基于全球数据训练，从而无需重新训练即可应用于任意区域，向降尺度基础模型迈出一步。其次，模型架构同时处理多个时间步，实现时间连贯评估。第三，模型联合降尺度多个大气变量（温度、风和降水），设计灵活可扩展至更多变量。第四，提供全面评估，包括确定性指标、分布保真度、谱恢复和概率技能。结果表明，模型准确重建细尺度变率和极端事件，其生成性质支持不确定性量化——这对风险评估至关重要。本研究处理全球到区域气候降尺度的超分辨率（SR）组成部分，提供适用于气候预估（包括CMIP6及未来模拟集合）的框架。

关键技术方法

研究人员使用ERA5再分析资料的四个变量（2米温度t2m、10米纬向风u10、10米经向风v10和降水tp），分辨率为0.25°。开发了随机空间块采样策略，每个训练周期生成12个大小为144×360的空间块，块中心随机放置，经度周期性处理，纬度限制在有效全球边界内。采用基于双线性插值的粗化（CU）程序分离ERA5场的大尺度与细尺度分量，残差场作为扩散模型的训练目标。条件扩散模型基于Elucidated Diffusion Model（EDM）框架，核心架构为U-Net，以CU场及地理变量（纬度、经度、地形z、海陆掩膜LSM）和余弦-正弦时间嵌入为条件。训练数据为2015–2019年，2020年验证，2021年测试，训练100个周期，批量大小70，使用LEONARDO超级计算机上四块NVIDIA A100 GPU（各64GB）。扩散模型有92,140,548个可训练参数，U-Net基线为92,135,940个。训练、评估和推理共约6天。

研究结果

确定性指标评估

研究人员使用平均绝对误差（MAE）、归一化平均绝对误差（NMAE）、均方根误差（RMSE）和决定系数（R2）评估模型性能。对于t2m，预测MAE为0.44±0.02 K，RMSE为0.71±0.04 K，R2为1.00；集合均值将MAE改善至0.32±0.01 K，RMSE至0.52±0.01 K。u10预测MAE为0.52±0.02 m s?1，RMSE为0.79±0.03 m s?1，R2为0.98；集合均值MAE为0.40±0.01 m s?1，RMSE为0.62±0.03 m s?1，R2为0.988±0.002。v10预测MAE为0.50±0.01 m s?1，RMSE为0.74±0.03 m s?1，R2为0.98；集合均值MAE为0.38±0.01 m s?1，RMSE为0.59±0.03 m s?1，R2为0.985±0.002。tp预测MAE为0.10±0.00 mm hr?1，但NMAE为0.67±0.02，表明相对误差较大；集合均值MAE为0.055±0.001 mm hr?1，RMSE为0.234±0.001 mm hr?1，NMAE为0.53±0.01，R2为0.68±0.01。MAE与NMAE的差异源于降水变量的偏态分布（大量零值），使绝对误差指标信息量降低。

概率技能评估

连续排序概率得分（CRPS）为t2m 0.25±0.01 K，u10 0.29±0.01 m s?1，v10 0.28±0.01 m s?1，tp 0.04 mm hr?1。与已有研究比较，Watt和Mansfield（2024）在美国区域报告CRPS为t2m 0.254 K、u10 0.224 m s?1、v10 0.232 m s?1；Mardani等人（2025）在台湾区域报告极端值更高：0.55 K、0.86 m s?1和0.95 m s?1。降水CRPS较低表明模型预测分布具有信心，特别是正确捕捉了干旱（零降水）条件的普遍性。

统计保真度评估

通过密度散点图、概率密度函数（PDF）和功率谱密度（PSD）联合分析评估降尺度场的统计保真度。t2m和风分量（u10、v10）的预测与参考场呈强线性关系，R2接近0.99。u10和v10密度图中出现的小垂直线表明部分真实值对应符号相反的预测值，可能源于沿海海陆风降尺度的挑战，仅影响一小部分数据点。降水散点在高强度处展宽增加，但模型在中心区域显著锐化，减少低估，更接近一对一关系，并正确生成零降水点。

空间变率重建

功率谱密度（PSD）分析评估模型从大尺度结构到更小尺度特征的空间变率重建能力。模型准确重建了细尺度变率和极端事件，生成式特性支持不确定性量化。扩散模型产生物理一致（补充附录B.6中的变量间相关分析）且统计准确的降尺度结果，集合均值改善了确定性性能。

讨论与结论

扩散模型在确定性指标上略逊于U-Net基线（如t2m的MAE：扩散0.44 vs U-Net 0.31），但扩散模型的独特优势在于其生成性质——能够产生多个合理实现以量化不确定性，这是确定性方法无法提供的。集合均值显著改善确定性性能，接近甚至超过U-Net。对于降水这一最具挑战性的变量，模型在分布保真度和极端事件表征方面表现良好。CRPS评估表明模型概率预测具有技能，特别是对干旱条件的捕捉。IPSL-AID展示了生成式扩散模型在高效气候降尺度与不确定性估计方面的潜力，为适用于任意区域、无需重新训练的降尺度基础模型奠定了基础，可应用于CMIP6及未来模拟集合的气候预估。