25 km 分辨率的业务预报能够描述大尺度风场，却很难分清山脊、峡谷和盆地边缘的局地差异。对风电、强风预警和复杂地形风险评估来说，真正影响结果的往往正是这些被网格平滑掉的结构。
KiloGen 选择了一条不同于常规监督降尺度的路线：先让扩散模型从 WRF 模拟中学习公里级风场的空间先验，再在推理阶段用 ECMWF 业务预报约束生成过程。它不要求准备成对的 ECMWF–WRF 训练样本，也不直接学习一条固定的粗网格到细网格映射。
Summary
KiloGen 把复杂地形风场降尺度写成一个“高分辨率先验 + 业务预报约束”的后验采样问题。
在山西区域 2025 年冬季至初春的站点检验中，论文当前版本报告，KiloGen 相比 0.25° ECMWF 预报将整体风速 RMSE 降低 7.9%，改进主要集中在高海拔、地形起伏较大和强风条件下。这里的 zero-shot 有明确边界：它指不使用成对 ECMWF–WRF 样本训练，并不代表模型已经完成跨区域、跨季节或跨预报系统迁移。
文献信息与问题背景
题目：Diffusion posterior sampling enables zero shot kilometre scale wind forecasting over complex terrain
中文题目：扩散后验采样实现复杂地形公里级风场的零样本预报增强
作者：Yujiang Cai；Ya Wang*；Shenming Fu*
机构：中国科学院大气物理研究所、中国科学院大学等
版本：arXiv v1，2026 年 7 月 23 日，physics.ao-ph
链接：arXiv:2607.21460
研究区域覆盖山西及周边，0.03° 目标网格包含山地、盆地、谷地和高原边缘。论文统计了约 1000 个气象站，发现 0.25° ECMWF 预报的误差会随站点海拔和局地地形起伏增加。最高地形起伏等级中，高误差站点的比例达到 25.1%，最低等级为 10.3%。
简单插值只能增加网格点数量，无法补回原始预报中缺失的空间方差。分位数映射可以修正风速分布，却不会自动生成与地形相符的风向和局地加速结构。直接运行 3 km WRF 能更明确地描述地形影响，业务成本也会随预报频次和集合成员数快速增加。
KiloGen 试图把这几个目标放在一起：保留 ECMWF 对未来大尺度环流的判断，同时借助 WRF 中学到的细尺度风场结构，对业务预报做受约束的公里级增强。
KiloGen 怎么工作
先学习一个区域风场先验
作者使用 2024 年全年 2860 个 WRF 样本训练无条件扩散模型。每个样本包含 0.03° 网格上的 10 m 东西向风和南北向风，来自预报开始后 24 小时内的三小时短时输出。
这个扩散模型不负责预测某一天未来会吹什么风。它学习的是在当前区域和 WRF 配置下，什么样的公里级矢量风场具有较高概率，包括山脉附近的风速带、盆地边缘的梯度以及与地形组织有关的局地结构。
用 ECMWF 预报约束后验采样
推理时，KiloGen 从随机噪声开始逐步生成 0.03° 风场。每一步生成的高分辨率估计都会先做 8× 区域平均，再与 0.25° ECMWF 预报比较。两者的差异形成约束，引导下一步采样。
这相当于同时满足两个条件：
- 细尺度结构要像 WRF 训练数据中的合理风场；
- 聚合到粗网格后，要尽量贴近当天的 ECMWF 业务预报。
作者为每个预报时次生成 10 个后验成员，主文使用集合平均作为确定性产品。当前研究没有验证集合是否校准，因此这些成员之间的离散度只能理解为同一粗分辨率约束下的后验采样差异，还不能直接当作可靠的概率预报区间。
KiloGen 生成的局地结构来自 WRF 先验，区域环流背景则由当次 ECMWF 预报控制。论文因此把输出称为业务预报的 constrained enhancement，也就是受约束增强。
实验结果怎么看
整体误差下降，收益集中在复杂地形
测试使用 2025 年 1—3 月的 ECMWF 预报，覆盖 0—120 小时预报时效。对比对象包括 EC 0.25°、插值结果、分位数映射、EC 0.1° 和 KiloGen 0.03°。
在共同站点样本上，KiloGen 相比 EC 0.25° 将平均风速 RMSE 降低 7.9%。同一比较下，插值降低 5.9%，分位数映射降低 1.0%，EC 0.1° 降低 4.0%。
平均值之外，空间分布更值得关注。海拔超过 2000 m 的站点中，KiloGen 将 RMSE 从 5.72 m s^{-1} 降到 4.08 m s^{-1}，相关系数从 0.51 提高到 0.66。论文报告的最大收益主要出现在山脉、地形过渡带和局地起伏明显的位置。
KiloGen 的价值并非让所有站点获得同样幅度的提升，它更擅长处理粗网格最难代表的地形敏感位置。
强风下的改善更明显
不同产品在低风速条件下差异较小。随着观测风速升高，KiloGen 的优势逐渐扩大。观测风速超过 20 m s^{-1} 时，论文报告其 RMSE 相比 EC 0.25° 降低约 10%—11%，相比 EC 0.1° 降低约 10.4%。
作者还从 2025 年 1—3 月筛选了 13 次相互间隔至少 24 小时的强风事件。KiloGen 在全部 13 次事件中优于 EC 0.25°，在其中 9 次优于 EC 0.1°。其事件平均 RMSE 为 1.86 m s^{-1}，EC 0.25° 和 EC 0.1° 分别为 2.16 和 2.03 m s^{-1}。
最高风速仍然存在低估。论文中的分位数比较显示，当观测接近 20 m s^{-1} 时，ECMWF 预报通常只有约 12—14 m s^{-1}，KiloGen 能提高到约 16 m s^{-1}，但还没有完全追上观测。局地暴露、阵风、边界层稳定度和下垫面差异，都很难仅凭 25 km 预报恢复。
这篇论文带来的启发
KiloGen 最有意思的地方是把训练资料和推理资料解耦。
常规监督降尺度需要准备同一时刻的粗分辨率输入和高分辨率目标。换一个业务模式、输入分辨率或资料版本，映射关系可能需要重新训练。KiloGen 只用 WRF 学习区域高分辨率先验，ECMWF 在推理时通过观测算子进入采样过程，理论上更容易替换粗分辨率约束。
当前实验还没有完成这种迁移验证。论文中的 zero-shot 仅覆盖“没有成对 ECMWF–WRF 训练样本、没有针对 ECMWF 学习粗到细映射”这一层含义。模型仍然在山西区域训练和测试，季节范围也只有冬季到初春。
对 WRF 和风能应用，可以沿着三个方向继续看：
- 跨资料迁移。 使用其他全球 AI 天气模型、区域业务模式或再分析作为约束时，后验采样是否仍然稳定。
- 概率校准。 检查后验成员的可靠度、离散度—误差关系和强风覆盖率，避免把随机样本直接解释为业务不确定性。
- 先验偏差控制。 比较不同 WRF 物理方案、分辨率和年份训练出的先验，判断生成细节来自稳健地形关系，还是来自特定模拟系统的偏差。
数据可用性也会影响复现。论文说明 WRF 训练数据和站点数据目前受存储及第三方限制，代码仓库计划在论文接收后公开。读者现阶段可以核对方法和实验设计，还无法完整复现同一数据链。
总结
KiloGen 将复杂地形风场增强写成一个扩散后验采样问题：WRF 提供公里级风场先验，ECMWF 提供预报时刻的大尺度约束，采样过程在两者之间寻找合理的高分辨率风场。
当前版本在山西 2025 年冬季至初春的站点检验中取得了稳定改善，优势主要出现在高海拔、复杂地形和强风条件下。这个结果支持了“先验与约束分离”的技术路线，也留下了跨区域迁移、极端风速恢复和概率校准等关键问题。