数值预报和再分析中的温度、风和降水，通常都表示在一张张网格上。网格间距越大，能够直接表示的空间结构越粗。大尺度天气形势可以保留下来，山谷、海岸线、城市建筑群附近的局地差异则容易被平均掉。
这也是为什么一份覆盖全国乃至全球的气象数据，到了城市通风、低空飞行、风能评估和精细灾害预警等任务里，常常显得不够细。气象降尺度要解决的，就是如何在已有大尺度资料的基础上，得到更细的区域信息。
Summary
使用深度学习算法做气象降尺度会学习粗分辨率资料、高分辨率地形信息与细网格目标之间的关系，再快速生成区域高分辨率气象场。
它适合重复生成、集合预报和固定区域应用，但输出质量受训练资料、区域、天气类型和物理约束影响。网格变细，不等于真实大气已经被完整还原。
从粗网格到细网格
为什么需要降尺度
全球预报和再分析需要处理整个地球的大气状态。计算范围很大，水平网格通常也比城市应用所需的尺度更粗。以常用于研究的 ERA5 为例，它是欧洲中期天气预报中心（ECMWF）提供的第五代全球大气再分析资料。其公开单层资料常见的网格是 0.25°；在中低纬地区，这大致对应几十公里量级。
一个这样的网格可能同时覆盖城区、水体、农田和山地。模式能够知道这一片区域的大尺度风向和温度背景，却很难直接表达每条山谷、每片建筑群附近的风速变化。
传统上，研究人员会使用 WRF 这类区域数值模式。它会把全球分析或预报作为初始场和边界条件，再结合更精细的地形、土地利用等资料进行区域模拟，使用嵌套网格来逐层增加分辨率。这种做法通常称为动力降尺度。它会显式积分大气动力和物理过程，代价是需要较多计算资源和时间。
另一条路线是统计降尺度：根据历史资料，学习大尺度变量与局地变量之间的关系。今天常说的 AI 降尺度，就可以放在数据驱动的统计降尺度路线中理解，只是所用模型更复杂，能处理更多空间结构和变量关系。
深度学习模型是怎样学会的
一套常见训练数据会同时包含粗分辨率气象场和同一时刻的高分辨率目标场。粗场可以来自全球预报、再分析或较粗的区域模式；目标可以来自观测资料，也可以来自高分辨率数值模拟。
训练前要完成时间、坐标、网格、变量和单位的配对。这个环节直接决定模型学到的关系是否可信。时间错一帧、风分量方向弄反、投影不一致，模型仍然可能正常收敛，输出却没有可解释的物理含义。
模型最终学到的是对目标资料的近似。如果高分辨率目标来自 WRF，输出主要接近该区域、该配置下的 WRF 结果；如果目标来自雷达或站点插值，模型也会继承观测覆盖和处理方法的限制。
这个用已知粗—细样本调整模型参数的过程叫“训练”。训练完成后，把新的粗分辨率资料交给模型并生成结果，叫“推理”。后文提到模型的推理速度，指的就是模型训练好以后，处理新资料的速度。
目前常用的算法
下面介绍常用在降尺度中的几类方法。一个实际模型可以同时用到卷积、注意力和生成式方法，具体组合取决于数据、任务和计算成本。
卷积神经网络（CNN）和 U-Net：把相对稳定的关系学好
卷积神经网络（Convolutional Neural Network，CNN） 是最早出现应用在二维图像中的算法。“卷积”可以理解为：让一组小窗口在网格上滑动，每次查看附近的几个格点，再逐层识别边缘、梯度和局地形态。
气象网格与多通道图像有相似的数据结构。每个通道可以放温度、湿度、风分量或地形，CNN 会在相邻网格间提取空间特征。2017 年发表的 DeepSD 就把图像超分辨率中的卷积网络用于气候数据降尺度，并加入多尺度辅助信息。
U-Net 因网络结构形似字母 U 而得名。它的编码端逐步压缩信息，概括大范围背景；解码端再逐步恢复空间分辨率。跨层连接会把前面保留的位置和边界信息直接送到后面，避免细节在压缩过程中全部丢失。
对许多每次只输出一个结果的降尺度任务来说，U-Net 是一条训练相对直接、推理很快的基线。一项针对华北逐日 2 米温度的研究 同时测试了原始 U-Net，并在 U 形骨架上加入地形信息、残差模块和注意力机制，用于把数值预报结果做 10 倍空间降尺度。这也说明 U-Net 常被作为基础骨架继续改造。
这类模型常用格点预测值与目标值之间的平均误差来训练。当一个粗分辨率输入对应多种可能的细尺度状态时，模型倾向于给出较稳定的平均结果。大范围风向和温度分布可能比较准确，细小纹理、尖锐梯度和极端大值或小值容易被削弱。
Transformer：把更大范围的联系纳入计算
Transformer 架构的核心是自注意力（Self-Attention）机制：模型会为不同位置分配不同权重，判断当前网格还应该参考哪些远处信息。
在气象场中，这种机制可以帮助模型同时参考较远处的天气系统、地形和其他气象变量。CNN 通常从邻近网格逐层扩展感受范围，Transformer 则可以更直接地建立距离较远位置之间的关联。
2026 年发表于 Nature Communications 的 FuXi-CFD 把 1 km 背景风与 30 m 地形、地表粗糙度结合，通过 Transformer 编码器提取不同位置之间的联系，再重建 30 m 分辨率的三维近地面风场。模型使用大量计算流体力学（CFD）模拟作为训练资料，并用独立测风塔观测进行了检验；论文同时指出，当前训练资料对弱风和热力作用的覆盖仍然有限。
高分辨率网格会增加 Transformer 的显存和计算开销，模型也需要足够多样的训练样本。窗口大小、位置编码和区域边界会影响模型看到的空间关系。实际系统中，它常与卷积、插值或生成模型组合使用。
生成对抗网络（GAN）：让输出的空间结构更接近目标资料
生成对抗网络（Generative Adversarial Network，GAN）可以获得更优真实感的结果。“对抗”来自两个网络的同时训练：生成器负责输出高分辨率气象场，判别器负责区分生成结果和真实目标。生成器会根据判别结果继续调整，逐渐让输出在空间结构和统计分布上更接近目标资料。
这种训练方式可以减少过度平滑。相关研究 U-LSGAN 是“基于 U-Net 的最小二乘生成对抗网络”。它将 U-Net 生成器与对抗训练结合，把 1 km 中尺度模式输出降到 200 m 分辨率的模拟网格，并对温度、相对湿度和近地面风速进行了测试。
GAN 在训练过程对各项误差目标的权重和样本分布较敏感，生成的细节看起来合理，也可能与该时刻的真实位置不一致。这类“看起来像，但对不上实际状态”的细节，就是气象应用尤其需要警惕的算法幻觉。
扩散模型（Diffusion Model）：为一个粗场生成多种可能细节
扩散模型的“扩散”是指给数据逐步加入随机噪声的过程。普通扩散模型在训练时不断给高分辨率目标加入噪声，再学习如何沿相反方向逐步去噪。模型从随机噪声出发，经过多次修正后得到一张高分辨率气象场；更换初始噪声，还可以生成另一种同样合理的细节分布。
这种生成方式适合表达“一种大尺度背景对应多种小尺度状态”的问题，因此可以生成多个成员，用于描述结果的不确定性。代价是需要反复去噪，推理成本通常高于一次就给出结果的 U-Net。直接生成完整气象场时，小尺度细节也可能干扰原本合理的大尺度结构。
CorrDiff 因此采用了两阶段设计：先由 U-Net 给出稳定的平均场，再让扩散模型生成“残差”。这里的残差，就是高分辨率目标与第一阶段预测之间的差值，主要包含平均预测中没有表达出来的小尺度变化。
该研究在中国台湾区域把 25 km 输入降到 2 km，并评估风、温度和雷达反射率等变量。结果显示，扩散步骤可以改善部分空间尺度的能量分布和概率分布，但生成的多个成员能否覆盖真实不确定性，以及相邻时次是否连续，仍需继续处理。
从实验看应用边界
我最初尝试从约 0.25° 的资料直接生成 200 m 城市气象场，主要遇到了这些问题：
- 三维训练难度过大，目前使用的资源未能取得较好效果。
- 粗细网格跨度过大，输入中缺少足够的小尺度信息。
- 训练时段较短，模型难以覆盖不同季节和天气过程。
- U-Net 能恢复主要风场，小尺度变化仍偏弱。
- 直接加入扩散模型会增加纹理，也可能造成大尺度漂移。
如有做类似方向的同学可以参考，在设计训练框架时提前规避。
训练完成后，最常见的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）和相关系数等。但只看这些指标还不够，还应考虑检查功率谱、概率分布、极端事件命中情况和时间连续性。功率谱可以帮助判断不同空间尺度上的变化是否被保留。
Warning
深度学习降尺度生成的是受输入和训练资料约束的高分辨率估计。它不能凭空补回粗网格中已经丢失的唯一真实细节，也不能自动替代区域数值模式、资料同化和观测检验。
AI 降尺度适合固定区域、输入资料相对稳定且需要反复计算的任务，例如批量生成城市风场、风能资源、精细温度和降水数据。模型训练完成后可以快速处理大量时次、集合成员或气候情景，但换区域、换资料来源或遇到少见的极端天气时，表现可能明显下降。实际应用中，它更适合作为数值模拟和观测体系的快速补充，并继续接受独立观测检验。
总结
气象降尺度面对的是一个信息不完整的问题。粗分辨率资料提供大尺度天气背景，高分辨率地形和下垫面资料补充空间条件，细网格模拟或观测告诉模型需要接近什么目标。
CNN 和 U-Net 适合学习相对稳定的映射；Transformer 可以联系更大范围的空间信息；GAN 会强化输出的空间结构；扩散模型能够生成多种可能的小尺度状态。实际模型可以组合多种架构，算法越复杂，越需要清楚的数据边界、尺度约束和评价体系。
真正可用的结果，既要看起来更细，也要在数值、频谱、极端事件、时间连续性和物理关系上经得起检查。网格变细只是第一步，知道这些细节从哪里来、在哪些条件下可信，才是气象降尺度需要回答的问题。