AirCast-SR：基于潜在一致性扩散的大气超分辨率基础模型，实现公里级分辨率
AirCast-SR是一个基础模型，能够将全球AI天气预报从0.25度（约28公里）分辨率降尺度到1公里水平分辨率，时间分辨率为每小时。它采用三维U-Net结合潜在一致性模型扩散框架，在美国本土的数据上训练。该模型实现了近乎零偏差，并保留了精细尺度的大气结构，经过多个季节的验证，并展示了在无需重新训练的情况下对印度和德国的零样本迁移能力。
文章情报
要点
- AirCast-SR将全球AI天气预报从约28公里降尺度到1公里分辨率，每小时输出。
- 它采用潜在一致性模型扩散和三维U-Net架构。
- 模型显示出近乎零偏差，并在10-100公里范围内保留精细结构。
- 在印度和德国展示了零样本全球迁移能力，无需微调。
为什么重要
这条新闻值得关注，因为AirCast-SR将全球AI天气预报从约28公里降尺度到1公里分辨率，每小时输出。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
天气预报的精细化对于能源、农业和灾害管理等应用至关重要，但传统数值天气预报（NWP）模型在公里尺度上的运算成本极高，限制了高分辨率预报的普及。近日，研究团队发布了AirCast-SR——一个基于潜在一致性扩散的大气超分辨率基础模型，能够将全球AI天气预报从0.25度（约28公里）分辨率提升至1公里水平分辨率，时间分辨率达到每小时，并同时生成67小时预报，涵盖八个耦合的地表变量。该模型采用三维U-Net架构，并嵌入潜在一致性模型（LCM）扩散框架中。与传统的物理模型不同，AirCast-SR完全基于数据驱动，利用深度学习从大量数据中学习大气降尺度模式。其核心创新在于将三维U-Net与潜在一致性模型结合，在保持生成质量的同时大幅提升推理速度。模型在美国本土（CONUS）的高质量再分析数据上训练，使用GraphCast预报作为输入，NOAA的校准记录分析（AORC）作为目标，确保了输出的可靠性。实验结果显示，AirCast-SR在所有变量和提前时间上均实现了近乎零的偏差，径向功率谱密度分析表明，模型在10至100公里波长范围内保留了精细的大气结构，而传统的粗分辨率模型在此范围内会损失谱能量。研究团队在CONUS地区进行了冬季、夏季和春季三个案例研究，验证了模型的性能。更值得关注的是，AirCast-SR展示了零样本的全球迁移能力——无需任何重新训练或微调，直接应用于印度和德国，独立地面站观测数据验证了其在不同气候区域的泛化能力，这对于缺乏高质量训练数据的地区尤其重要。作为一款开放权重的基础模型，AirCast-SR为公里级AI天气预报树立了新范式，并为区域微调、知识蒸馏以及气候服务和灾害预报等下游应用提供了平台。该论文由Somnath Luitel和Manmeet Singh共同第一作者，于2026年5月20日提交至arXiv。开放权重策略将促进科研社区的合作与创新，加速公里级天气预报技术的发展。