观潮 · 模式预报与气象 AI 观察
一个模型同时做时空降尺度：100 公里 6 小时输入变 30 公里逐小时
> 空间降尺度（把粗网格变细）和时间降尺度（把 6 小时间隔补成逐小时）以往是两个模型各管一摊。ECMWF 这篇演示的是把两件事交给同一个流匹配（flow matching）生成模型：输入 O96 网格约 100 公里、6 小时间隔的场，直接输出 N320 约 30 公里、1 小时间隔的序列，一次生成 5 步。更关键的是耦合方式——这个降尺度器吃的是低分辨率 ERA5 状态，所以任何在同一低分辨率数据上训练的预报模型都能直接接上去，文中演示了接到低分辨率版 AIFS ENS 集合预报上，没有做任何额外微调。作者也很清楚这是演示而非定论：接下来要研究的是哪种组合方式在实践中最优、什么时候才该用更紧耦合的方法。
---
缺的是哪一块
机器学习模型现在已经能产出高技巧的天气预报——AIFS-CRPS（即 ECMWF 业务运行的 AIFS ENS）、GenCast、FourCastNet 3、Aurora 都证明了数据驱动系统能在中期时效上给出有技巧的概率预报。
与此同时，机器学习还能用来提升既有预报的时空分辨率。空间降尺度模型（如 Anemoi-D²）学的是从粗分辨率输入生成精细大气结构；时间降尺度模型（如 HourGlass）学的是在只有 6 到 12 小时间隔的预报状态之间重建合理的逐小时演变。
预报、空间降尺度、时间降尺度可以被当成三个独立问题，各自独立评估和改进，也可以用不同方式组合起来。这篇演示的是其中一种组合：空间和时间降尺度由同一个机器学习模型完成，这个模型再与一个单独训练的机器学习预报模型耦合。
---
方法怎么搭的
这个时空降尺度器是一个流匹配模型，属于生成式机器学习方法，用 Anemoi 框架训练。它把低空间、低时间分辨率的场转换成高分辨率、逐小时的序列，训练数据是 ERA5。
输入输出规格：
项 · 设置
输入 · O96 网格，水平分辨率约 100 公里，6 小时间隔
输出 · N320（ERA5 原生网格），水平分辨率约 30 公里，1 小时间隔
生成方式 · 一次生成 5 步
流匹配在学什么：模型学的是细尺度时空特征的条件分布，这些特征与粗输入状态相一致。训练时给它粗输入，配上被高斯噪声污染的 ERA5 高分辨率目标（噪声水平随机选取），它学的是这个中间状态要往哪个方向走才能回到无噪声的目标。在大量样本和噪声水平上训练之后，模型就学到了一条从噪声通往高分辨率场分布的路径。
从这个分布里取样需要一个迭代采样器——不是一次模型调用就出结果，采样器要反复调用模型，逐步把噪声转成输出样本。
博客图 1（动画）：采样器逐步生成 10 米风速预报的过程，一次产出多个逐小时步。画面自左上到右下推进，细尺度结构随着迭代展开逐渐显形。
---
结果数字
演示的样例是 10 米风速，覆盖 2022 年 1 月 1 日起的 15 天：低分辨率 ERA5 输入（约 100 公里、6 小时）、ERA5 目标（约 30 公里、1 小时）、模型生成的样本三者并排对照。
耦合演示是这篇的重心。因为时空降尺度器消费的是低分辨率 ERA5 状态，它可以接上任何在同一低分辨率数据集上训练过的机器学习模型。文中接的是低分辨率版 AIFS ENS 集合预报模型——该模型在 ERA5 上用概率损失目标训练，以 6 小时间隔预报大气演变；时空降尺度器随后把这些预报转成更高分辨率的逐小时序列。
两个模型耦合时没有任何额外微调。样例是 2024 年 1 月 1 日 00 UTC 起报的 15 天 10 米风速预报。
博客图 2（动画）：三栏并排展示 10 米风速，时段为 2022 年 1 月 1 日起的 15 天。上为低分辨率 ERA5 输入（约 100 公里、6 小时），左下为高分辨率 ERA5 目标（约 30 公里、1 小时），右下为时空降尺度器的生成样本。生成结果在保留大尺度环流型态的同时补出了目标场里的细尺度结构。
博客图 3（动画）：2024 年 1 月 1 日 00 UTC 起报的 15 天 10 米风速。左为低分辨率 AIFS-ENS 预报模型的原始输出（约 100 公里、6 小时），右为经时空降尺度器处理后的结果。两者在天气系统位置和演变上一致，右侧多出逐小时的细尺度纹理。
---
原理：为什么流匹配适合干这件事
流匹配和扩散类模型也可以被看成一种"谱自回归"——大尺度结构倾向于先出现，细节随后浮现。当目标被强噪声污染时，模型主要依赖粗输入；随着噪声降低，它能逐步添加与正在成形的天气系统相一致的更细特征。
这恰好对应大气里的一个基本性质，即尺度依赖的可预报性：大尺度结构通常保持可预报的时间更长，而更小尺度的细节丧失可预报性的速度更快。生成顺序与物理上的可预报性顺序对齐，是这类方法在降尺度上说得通的原因。
更远一点的方向上，ECMWF 还在探索直接从观测训练机器学习模型——AIFS-DOP 就是只从观测出发做中期预报，训练时不用再分析、也不用任何基于物理的数值预报模式的场。一个完全由机器学习从观测生成的全球再分析原型也已经演示过。原则上，这类观测驱动的机器学习预报或再分析系统同样能产出再分析兼容格式的场，从而与时空降尺度器这类下游模型对接。
---
作者承认的限制
- 这是演示，不是选型结论。 原文把下一步写得很明确："下一步要研究哪种方案在实践中最有效、如何最有效地利用专用模型提供的灵活性，以及什么时候更紧耦合的方法可能更可取。"
- 没有给出定量评分。 这篇博客通篇是可视化对照（10 米风速的输入、目标、生成样本以及耦合后的输出），没有给出误差指标、技巧分或与基准的定量对比。
- 耦合的前提是变量兼容。 能接起来的条件是"输入和输出变量兼容"、"共享 ERA5 输入输出作为接口"。换一个变量集不同的预报模型，接口就不成立。
- 依赖 ERA5。 降尺度器在 ERA5 上训练、消费低分辨率 ERA5 状态；对 ERA5 之外的数据体系是否同样成立，文中未涉及。
---
一句话判断
把空间和时间降尺度合并成一个流匹配模型，真正的价值不在"少训一个模型"，而在于它确立了一种接口约定——只要预报模型输出的场与降尺度器训练所用的低分辨率数据同构，两个独立训练的模型就能零微调地串起来。