公里级模式能够覆盖大范围天气过程，却会把山脊加速、峡谷通道风和背风波动压进几个网格。30 米大涡模拟（Large-Eddy Simulation，LES）能补回这些结构，计算成本又很难支撑高频运行。
Susan Dettling 等在 Artificial Intelligence for the Earth Systems 发表了这项研究，尝试把一次昂贵 LES 学成快速生成器。模型接收 960 米风场和高分辨率地形，在单张通用 GPU 上用几秒生成 30 米风场。
Summary
复合 GAN 把 960 米粗化风场两级放大到 30 米，在独立地形分区保留了水平风统计与主要能谱，但尚未使用原生中尺度模式输出验证。
一次昂贵 LES 能否被模型学会
题目：Downscaling from Mesoscale to Microscale in Complex Terrain Using a Compound Generative Adversarial Network
中文题目：使用复合生成对抗网络实现复杂地形中从中尺度到微尺度的降尺度
作者：Susan Dettling；Sue Ellen Haupt*
机构：美国国家科学基金会国家大气研究中心（NSF NCAR）
版本：Artificial Intelligence for the Earth Systems，4(3)，e240004，2025
链接：DOI: 10.1175/AIES-D-24-0004.1
论文使用胡德山附近的 WRF-LES。30 米模拟域覆盖约 90 km × 180 km，能够描述山脉尾流、重力波和哥伦比亚河峡谷通道风。原始模拟在 Cheyenne 超算上使用 8640 个 CPU 核心运行约 20 天，总量接近 400 万核时。
当前输入来自同一套 30 米 LES，作者先把它平滑到 960 米，再让模型恢复高分辨率结构。这种设置适合检验模型能否补回被粗化的湍流特征，中尺度模式本身的参数化偏差和有效分辨率还没有进入实验。
两个 GAN 接力完成 32 倍降尺度
单个 32 倍模型生成的风场过于平滑，作者于是把任务拆成 960→240 米和 240→30 米两步，分别使用 4 倍和 8 倍的增强型超分辨率生成对抗网络（Enhanced Super-Resolution GAN，ESRGAN）。粗分辨率风场与温度决定大尺度背景，高分辨率地形帮助模型把细节放到山脊和峡谷附近。
东半域用于训练和测试，地形差异更明显的西半域完全不参与训练。这个空间留出测试比随机切分更严格，但两个区域仍来自同一次 12 小时模拟过程，结果还不能代表跨天气和跨区域泛化。
生成风场保留了多少湍流
水平风表现较稳定。东半域中，生成场与 LES 的平均相关系数为 0.832 和 0.870；换到西半域后，两项为 0.870 和 0.876。垂直速度的平均相关系数约为 0.64，生成结果还低估了它的标准差。
GAN 补回了粗化场中缺失的大部分能量，整体谱形接近 LES。中间尺度仍有能量损失，最高波数端则出现少量虚假能量；速度梯度的极端值也偏少。生成场有了清晰纹理，最细的湍流变化仍未恢复完整。
两套 GAN 共四个网络在单张 GPU 上训练约 200 小时。训练完成后，生成器处理一个 3000 × 6000 网格点的完整区域只需几秒。这个速度适合快速情景计算，前提是已经准备好高质量 LES 样本并完成训练。
下一步需要把输入换成原生公里级中尺度模拟。真实模式输出还带着物理参数化、地形平滑和有效分辨率误差。等这些误差进入测试后，才能判断几秒生成的 30 米风场离风能评估和实时预报还有多远。