智能AI
morning
AirCast-SR：通过潜在一致性扩散实现千米级大气超分辨率的基础模型
2026-05-27
1 阅读
Somnath Luitel, Manmeet Singh, Joshua Durkee, Abdullah Al Fahad, Naveen Sudharsan, Prabhjot Singh, Cenlin He, Harsh Kamath, Zong-Liang Yang, Krishnagopal Halder, Sandeep Juneja, Parthasarathi Mukhopad
arXiv:2605.26130v1 公告类型：新 摘要：对于传统的数值天气预报 (NWP) 模型来说，公里级的业务天气预报在计算上仍然令人望而却步，限制了需要细粒度时空细节的能源、农业和灾害管理应用的预测访问。在这里，我们介绍 AirCast-SR，这是一种大气超分辨率的基础模型，可将全球人工智能天气预报以小时时间分辨率从 0.25 度（约 28 公里）水平分辨率降低至 1 公里，同时对八个耦合表面变量进行 67 小时预报。 EarthMind-SR 采用在潜在一致性模型 (LCM) 扩散框架内调节的三维 U-Net，使用 GraphCast 预测作为输入，以 NOAA 的校准记录分析 (AORC) 作为目标，对美国本土 (CONUS) 上基于补丁的样本进行训练。该模型在所有变量和前置时间上实现了接近零的偏差，其径向功率谱密度分析表明，在 10 公里至 100 公里的波长下，精细尺度的大气结构得到了保留，而较粗糙的模型会损失光谱功率。我们在涵盖冬季、夏季和春季的三个 CONUS 案例研究中验证了 EarthMind-SR，并使用独立地面站观测结果演示了印度和德国的零样本全球可迁移性，无需任何再训练或微调。作为开放权重基础模型，EarthMind-SR 为公里级人工智能天气预报建立了新范式，并为气候服务和灾害预报的区域微调、提炼和下游应用提供了平台。