AirCast-SR：基於潛在一致性擴散的大氣超解析度基礎模型，實現公里級解析度

天氣預報的精細化對於能源、農業和災害管理等應用至關重要，但傳統數值天氣預報（NWP）模型在公里尺度上的運算成本極高，限制了高解析度預報的普及。近日，研究團隊釋出了AirCast-SR——一個基於潛在一致性擴散的大氣超解析度基礎模型，能夠將全球AI天氣預報從0.25度（約28公里）解析度提升至1公里水平解析度，時間解析度達到每小時，並同時生成67小時預報，涵蓋八個耦合的地表變數。該模型採用三維U-Net架構，並嵌入潛在一致性模型（LCM）擴散框架中。與傳統的物理模型不同，AirCast-SR完全基於資料驅動，利用深度學習從大量資料中學習大氣降尺度模式。其核心創新在於將三維U-Net與潛在一致性模型結合，在保持生成質量的同時大幅提升推理速度。模型在美國本土（CONUS）的高質量再分析資料上訓練，使用GraphCast預報作為輸入，NOAA的校準記錄分析（AORC）作為目標，確保了輸出的可靠性。實驗結果顯示，AirCast-SR在所有變數和提前時間上均實現了近乎零的偏差，徑向功率譜密度分析表明，模型在10至100公里波長範圍內保留了精細的大氣結構，而傳統的粗解析度模型在此範圍內會損失譜能量。研究團隊在CONUS地區進行了冬季、夏季和春季三個案例研究，驗證了模型的效能。更值得關注的是，AirCast-SR展示了零樣本的全球遷移能力——無需任何重新訓練或微調，直接應用於印度和德國，獨立地面站觀測資料驗證了其在不同氣候區域的泛化能力，這對於缺乏高質量訓練資料的地區尤其重要。作為一款開放權重的基礎模型，AirCast-SR為公里級AI天氣預報樹立了新正規化，併為區域微調、知識蒸餾以及氣候服務和災害預報等下游應用提供了平臺。該論文由Somnath Luitel和Manmeet Singh共同第一作者，於2026年5月20日提交至arXiv。開放權重策略將促進科研社群的合作與創新，加速公里級天氣預報技術的發展。