全球 AI 天气模型可以很快给出未来大尺度天气形势，区域应用还需要更细的地形结构、近地面风场和垂直廓线。Apeliotes 尝试把这两层能力接起来：Aurora 负责全球预报，区域 CorrDiff 模型把结果降到 4 km，并直接生成输入中没有的多层风场和风功率密度。
这套框架希望把一个预训练全球基础模型变成区域生成系统的实时驱动，同时把输出从常见的地面变量扩展到 22 个通道。
Summary
Apeliotes 由 Aurora 全球基础模型和区域 CorrDiff 扩散降尺度模型组成。区域模型使用 2007—2013 年成对 ERA5–WRF 数据训练，生成 4 km 的地面变量、七层风分量和两层风功率密度。
论文当前版本显示，使用 ERA5 输入时，10 m 风速和垂直风廓线表现优于使用 Aurora 输入；Aurora 提供了真正的预报驱动，也带来了训练—推理分布差异。框架证明了“全球基础模型 + 区域生成模型”可以运行，距离独立观测验证和跨区域应用仍有一段距离。
文献信息与问题背景
题目：Apeliotes: A Diffusion-Based Modeling Framework for km-scale Multi-Level Atmospheric Fields
中文题目：Apeliotes：公里级多层大气场的扩散建模框架
作者：Evangelia Rafaela Frastali
机构：Old Dominion University
版本：arXiv v1，2026 年 7 月 19 日，cs.LG / cs.CE
链接：arXiv:2607.17037
全球天气基础模型的优势是覆盖范围广、推理速度快。以 Aurora 为例，它可以在统一架构中处理不同变量、垂直层和环境任务。但约 0.25° 的全球输出仍然难以直接支持城市热环境、山地风能、边界层过程和局地风险评估。
区域动力降尺度能够提供公里级数据，长期积分和大集合的计算代价很高。机器学习降尺度可以把已有高分辨率模拟转化为快速代理。Apeliotes 在这个思路上增加了两项能力：
- 使用 Aurora 的未来预报驱动区域降尺度；
- 从 17 个粗分辨率输入通道生成 22 个高分辨率输出通道，其中包含输入中没有的垂直层和诊断变量。
框架由两部分组成
Aurora 提供未来大尺度状态
Apeliotes 使用预训练 Aurora 做自回归全球预报。Aurora 从两个 ERA5 时次开始，先生成后续一天的粗分辨率大气状态。研究把目标区域裁剪出来，插值到 CorrDiff 使用的区域网格，再进行公里级生成。
Aurora 在整个研究中只用于推理，没有针对美国东部区域进行微调。这一设计降低了重新训练全球模型的成本，也使 Aurora 自身的区域偏差会直接传入后续降尺度。
CorrDiff 负责区域均值和随机细节
区域模型沿用 CorrDiff 的两阶段结构。第一个 U-Net 学习粗分辨率输入到 4 km WRF 目标场的平均映射，第二个扩散模型生成残差，补充平均预测中缺少的小尺度变化。
与原始 CorrDiff 的少量输出变量相比，Apeliotes 把输出扩展到 22 个通道，包括：
- 2 m 温度、10 m 东西向风和南北向风、10 m 风速；
- 两层温度；
- 七层东西向风和七层南北向风；
- 两层风功率密度。
风功率密度取决于空气密度和风速三次方，论文选择让模型直接生成这一诊断量。这样可以面向应用快速输出结果，也需要检查它与温度、气压、湿度和风分量之间是否保持一致。
Aurora 决定未来天气形势，CorrDiff 根据区域训练资料恢复局地结构。整个框架的预报能力来自 Aurora，区域细节能力来自 ERA5–WRF 配对训练。
数据和训练设置
粗分辨率训练输入来自 ERA5，高分辨率目标来自 NCAR 的 4 km WRF 长期模拟。研究区域位于美国东部，以 Hampton Roads 周边为主，包含海岸、城市、内陆和平缓至山地区域。
训练数据为 2007—2015 年三小时样本，共获得 25,513 个有效的粗—细配对时次。2007—2013 年用于训练，2014—2015 年用于验证和测试。回归网络与扩散网络均采用 U-Net，论文给出的模型规模约为 8000 万参数，训练在 8 张 NVIDIA H100 上完成。
这里需要注意，论文把 WRF 当作高分辨率参考场。模型的目标是复现 4 km WRF 输出，不是直接逼近独立观测。评价结果能够说明 Apeliotes 学会了 ERA5/Aurora 到 WRF 的区域映射，还不能回答 WRF 自身在每次天气过程中的误差有多大。
实验结果需要区分两种输入
ERA5 输入代表配对降尺度能力
模型训练时看到的是 ERA5–WRF 配对数据，因此 ERA5 输入对应更接近训练分布的测试。2014—2015 年留出数据上，10 m 风速的 NRMSE 为 0.25，相关系数为 0.97；2 m 温度的 NRMSE 为 0.11，相关系数为 0.99。
论文的空间案例显示，模型能够在 4 km 输出中恢复部分城市热结构、地形相关风速变化和海陆差异。这些结果主要反映区域 CorrDiff 对 WRF 目标场的拟合与泛化能力。
Aurora 输入代表完整预报链
将 Aurora 输出送入同一个区域模型后，10 m 风速 NRMSE 上升到 0.42，相关系数降到 0.91；2 m 温度 NRMSE 上升到 0.17，相关系数仍为 0.99。CRPS 也从 ERA5 输入下的 0.37 和 0.68，上升到 Aurora 输入下的 0.66 和 1.23。
这个差距很容易理解。区域模型只在 ERA5 输入上训练，Aurora 在推理阶段才加入。即使两者使用相近网格和变量，模型预报与再分析之间仍会存在分布差异。论文也把区域微调 Aurora 列为后续方向。
多层风场是更有辨识度的输出
Apeliotes 从粗分辨率的少量压力层输入，生成近地面和低层大气中的七层水平风分量。使用 ERA5 输入时，七层平均风速廓线的平均相对误差低于 3%；使用 Aurora 输入时，这一误差为 9.36%。
摘要中的“低于 3%”对应 ERA5 驱动结果。评估完整预报框架时，应使用 Aurora 驱动的 9.36% 作为更接近实际应用的指标。
两种输入都能恢复总体廓线和主要风向，Aurora 驱动在近地面层的偏差更大，随高度上升逐渐减小。作者将这一现象与近地层更强的湍流、地表过程和变化性联系起来。
速度优势和实际代价
论文报告，在单张 H100 上，生成一天四个时次的 4 km 结果，单成员约需 20 秒；32 成员用时不到两分钟。作者将其与多节点上运行 WRF 数小时的墙钟时间进行对比。
这类速度比较需要放在任务边界内理解。Apeliotes 做的是一次训练后的统计生成，WRF 会显式积分动力和物理过程，两者输出依据和可迁移性不同。对于固定区域的大批量集合生成，机器学习推理速度很有吸引力；换区域、换目标资料或改变变量体系时，区域扩散模型仍可能需要重新训练。
训练成本同样不可忽略。当前区域模型在 8 张 H100 上训练数天，扩大区域或走向亚公里分辨率会继续增加数据和算力需求。快速推理建立在昂贵的前期训练和高质量配对资料之上。
这套框架还缺什么
Apeliotes 展示了全球基础模型与区域生成模型的可行组合，也留下了几条清晰边界。
- 高分辨率真值来自 WRF。 还需要气象站、探空、雷达或风塔等独立观测检验，尤其是近地面和垂直风廓线。
- 训练输入和业务输入不同。 CorrDiff 在 ERA5 上训练、用 Aurora 推理，分布偏差已经反映在风场指标中。区域微调或混合输入训练可能是必要步骤。
- 区域泛化尚未验证。 当前实验集中在美国东部一个区域，跨气候区、复杂山地和不同下垫面的能力仍未知。
- 概率评价还不完整。 论文报告 CRPS 和 32 成员结果，没有系统展示可靠度、集合离散度—误差关系或极端事件覆盖率。
- 缺少资料同化。 当前框架没有利用实时稀疏观测修正区域输出，作者把这一点列为未来工作。
对区域气象和空气质量研究，这套架构有一个很直接的启发：全球基础模型可以提供快速边界和背景场，区域生成模型负责补充局地高分辨率变量。若用于 CMAQ 或城市环境，还需要把时间连续性、化学变量一致性和实时观测约束放进同一条流程，避免每个时次只生成空间上合理的独立快照。
总结
Apeliotes 把 Aurora 与区域 CorrDiff 连接起来，形成“全球预报—区域生成—多层应用变量”的完整链条。它可以从 17 个粗分辨率输入通道生成 22 个 4 km 输出通道，并直接给出七层风场和风功率密度。
论文当前版本最有说服力的部分，是区域扩散模型能够从 ERA5 输入逼近留出年份的 WRF 场。换成 Aurora 后，框架获得了真正的未来预报能力，误差也随训练—推理分布差异增加。这个变化没有削弱框架的价值，反而指出了下一步最需要解决的问题：用区域观测和高分辨率资料校准全球基础模型的输入偏差。