观潮 · 模式预报与气象 AI 观察
HiRO-ACEv2 把 3 公里风暴分辨模式的推理成本降到三百分之一：降水与近地面风分布对到 99.9999 百分位
> 全球风暴分辨模式（GSRM）能直接解析深对流和复杂地形相互作用，但跑一年就要烧掉大量算力，做不了多年气候统计和大集合。HiRO-ACEv2 用两段式绕开这个问题：先用随机版 ACE2S-X-SHiELD 在 100 公里、6 小时间隔上自回归推演，再用一个扩散模型 HiROv2 做 32 倍超分辨，降到 3 公里、并同时输出降水、10 米风和海平面气压。十年气候态与参考 X-SHiELD 的降水、近地面风分布一直对到 99.9999 百分位，热带气旋强度分布大体跟随；推理成本比传统数值 GSRM 低 300 倍以上。作者自己列了三条硬边界：降尺度模型只在 X-SHiELD 上训练过，换不成增暖气候或 ERA5；时间步之间是独立生成的，时间连续性还没解决；3 公里气旋不是从粗分辨率场降尺度来的，两侧统计不必然对齐。
缺的是哪一块
公里级 GSRM 的价值在于分辨率够细，极端事件的强度和局地性能被直接算出来，深对流和地形相互作用这类在百公里级全球气候模式里只能参数化的过程也能显式表达。代价是：单个 GSRM 跑多年，成本高到做不了气候统计，也做不了「极端事件到底多常发生」需要的样本量。
两条现成的替代路线各有短板。动力降尺度把粗分辨率模式当边界条件只算一个区域，省的是面积，仍然要跑模式；统计降尺度学粗场到局地量的关系，更省，但一旦平稳性假设不成立，预报质量就垮。
生成式扩散模型是近几年补上来的第三条路：它能随机生成集合、给出高分辨率的不确定性估计，同时保住小尺度空间结构的锐度。
两段式怎么搭
阶段 · 模型 · 输入 · 输出 · 频率 / 倍率
① 全球粗推演 · ACE2S-X-SHiELD（随机版 Ai2 Climate Emulator） · 自身前一步状态 · 100 公里多变量粗分辨率场 · 6 小时一步，自回归
② 区域降尺度 · HiROv2（扩散生成模型） · ① 的输出 · 3 公里降水、10 米东西风与南北风、海平面气压 · 32 倍超分辨
两个模型分开训练，但吃的是同一套 X-SHiELD 数据的粗、细两个版本，保证粗模型输出的分布落在降尺度模型训练时的输入分布里。
训练数据来自 GFDL X-SHiELD 的 11 年模拟（2013-01-01 起转）。X-SHiELD 内部用 3.25 公里（C3072）立方球网格，文中通称 3 公里；粗化约 32 倍到 1 度（约 100 公里）高斯网格，供 ACE2S 微调与 HiRO 训练共用。细网格那一侧，3.25 公里上的选定变量离线保守重映射到 5760 × 11520 的自定义网格（把 180 × 360 高斯网格沿经纬各加密 32 倍），与粗网格配对用于训练 HiRO。
相对 v1，v2 的主要改动集中在长尾：推理时用多个 denoiser，训练侧改了数据采样、噪声采样和损失权重，目标是把分布的尾部对上。
结果数字
检验项 · 结果
推理成本 · 比传统数值 GSRM 低 300 倍以上
降水与近地面风的分布 · 十年气候态与参考 X-SHiELD 一致，一直到 99.9999 百分位
热带气旋强度分布 · 大体跟随参考分布
自由运行（free-running）表现 · 能生成热带气旋、强下坡风等事件，小尺度结构和强度与参考数据集相近
区域降尺度的额外收益 · 只需区域降尺度的场景，成本可在上面基础上再降两个数量级以上（视区域大小）
蒸馏（在研） · 作者称可能再提升一个数量级以上的效率
还有一个设计上的判断值得单独说：降尺度模型只在「完美预报」设定下训练（输入是目标 3 公里状态的粗化版本），但作者发现，换到自由运行的仿真器输出上时，粗模型的输出已经足够接近目标气候，所以不需要额外的偏差订正步骤。
原文图
图1 2023 年全球五个要素的分布直方图：灰线为 X-SHiELD 3 公里参考，彩色为不同 denoiser 配置的 HiRO-ACEv2，竖直虚线标出 99.9、99.99、99.999 百分位阈值，尾部对齐情况是论文的核心证据。
图2 完美预报情形下的台风结构对比：左图径向风廓线中 HiRO-ACEv2（蓝点，72 快照 576 样本）与 X-SHiELD 参考（绿方，72 快照 72 样本）几乎重合；右图为相应的散点与等值线分布。
作者承认的限制
限制 · 原文口径
换不了气候态 · HiROv2 在 X-SHiELD 上训练，只能与 X-SHiELD 调优版 ACE2S 配对；当前形态下，HiRO-ACEv2 不能生成与增暖气候或 ERA5 再分析一致的高分辨率场
时间连续性未解决 · 现有框架把每个时间步当作独立生成，未来工作才瞄准相邻降尺度时间步之间的时间一致性
3 公里气旋统计不必然对齐 · 作者强调，HiRO-ACEv2 的高分辨率气旋不是从粗分辨率 X-SHiELD 降尺度得来的，所以不预期两侧 3 公里气旋统计完全对齐
蒸馏仍在推进 · 对已训练 HiROv2 的蒸馏「正在进行中」，效率增益尚未落地
一句话判断
300 倍以上的推理成本加上对到 99.9999 百分位的分布，意味着「用大集合研究公里级极端事件」这件事第一次在算力上变得可操作；但它目前是 X-SHiELD 的专用仿真器，不是通用的降尺度器，换数据集就得重训。