高分辨率天气预报的瓶颈，可能不在模型而在数据

导语

机器学习天气预报正在从较粗的全球网格走向更高分辨率，但这条路并不只是扩大模型规模那么简单。分辨率越高，模型需要的训练样本越多；然而，覆盖数十年的高分辨率全球再分析资料仍然稀缺。以常用的ERA5为例，长期资料主要提供0.25度网格，而面向更精细预报的目标通常是0.1度。

这项研究提出的BaguanHR，直面这一数据瓶颈。它没有把重点放在将0.25度预报模型直接微调到0.1度，而是尝试先把已有的粗分辨率资料转化为可用于训练的高分辨率数据。

核心要点

• 从模型迁移转向数据迁移。 传统方案通常先训练0.25度模型，再利用数量有限的0.1度样本进行微调。研究认为，粗分辨率预报过程中已经发生的信息损失不可逆，直接迁移模型会限制最终效果。
• 超分辨率更适合承担分辨率转换。 论文比较了天气预报与超分辨率任务的特性，指出超分辨率具有更低的条件熵和更小的输入放大效应，因此可能比直接进行高分辨率预报更稳健。
• 采用变量级超分辨率。 不同气象变量的空间结构和尺度特征并不相同。BaguanHR按变量进行超分辨率处理，将ERA5资料扩展为大规模的0.1度合成数据，再与真实高分辨率样本结合训练。
• 数据规模呈现幂律收益。 实验显示，数据量增加并非只能带来有限的边际改进。数据量翻倍后，72小时预报RMSE下降4.6%，120小时预报RMSE下降4.9%。

结果与意义

在合成数据和真实数据组成的训练集上，BaguanHR在72小时以内超过85%的预报时效上取得优于既有机器学习方法和IFS-HRES的表现。这里的关键并不是声称超分辨率能够凭空恢复所有细节，而是将长期积累的粗网格气象信息转化为高分辨率模型可利用的训练信号。

这一思路对高分辨率天气模型的扩展具有现实意义。相比重新收集几十年的0.1度全球观测或再分析数据，先进行变量级下采样恢复，再扩大训练集，可能是一种更简单且通用的路线。它也提示研究者重新审视天气基础模型的规模定律：当模型能力不断提升后，真正限制性能的因素可能已经从网络结构转向数据覆盖范围和分辨率。

当然，合成高分辨率数据与真实观测之间仍可能存在差异，超分辨率生成的细节也需要通过独立验证来判断其物理一致性。因此，BaguanHR更像是打开长期粗分辨率资料的一把钥匙，而不是替代高质量高分辨率数据的终点方案。

来源：Hugging Face Daily Papers