观潮 · 模式预报与气象 AI 观察
西非季风降尺度：U-Net 把 ERA5 降到 0.1 度 IMERG，RMSE 8.58 毫米每天但一律偏干
> 全球再分析分辨率太粗，撑不起产生西非季风大部分降水的对流系统。作者用 U-Net 把 0.25 度 ERA5 的三个气压层（位势、温度、湿度、风）加地形与陆面比例，降到 0.1 度（约 11 公里）的 IMERG V07 日降水，覆盖 2000—2024 年 6—10 月共 3825 天。测试季上两个 U-Net 的 RMSE 8.58—8.61 毫米每天、相关 0.613—0.621，除偏差和 P99 比值外各项评分最优；加 ERA5 降水作输入略有改善。但作者明确写出：所有确定性网络都偏干，且在几百公里以下几乎丢掉全部观测变率——这是他们转向 GAN 方案的直接原因。注意力模块反而拖累，五次训练平均下来相关系数降 0.005、20 毫米每天的分数技巧评分降 0.011—0.015，所以没保留。
缺的是哪一块
西非降水集中在 6—10 月季风期，年际和区域差异都大，是农业、水资源和洪涝风险的一阶约束。影响研究需要能分辨单个对流系统的日降水场。
全球气候模式和再分析只能给出几十到几百公里的大尺度环流，而模式降水本身有偏差，根子在深对流是参数化的。区域气候模式能补上分辨率缺口，但算力代价大。统计降尺度学的是大尺度预报因子到局地降水的经验关系，成本低得多；其中「完美预报」（perfect-prognosis）这条路线只从观测或再分析的预报因子学，模式降水不进输入，训练好的模型之后可以直接套到气候模式的环流上，不继承其降水偏差。
在 0.1 度上，日变率的大头来自中尺度对流系统——萨赫勒地区大部分降水就是它们下的。大尺度场对它们的具体位置约束可能很弱，所以可达技巧本身有限，基线和评估方案的选择跟选哪个网络一样重要。
方法与数据怎么搭
项 · 设置
研究域 · 4—23 度北，18 度西—16 度东；分几内亚带（4—10 度北）、苏丹带（10—15 度北）、萨赫勒带（15—23 度北）三个纬带
时段 · 2000—2024 年 6—10 月，共 3825 天
划分 · 训练 2000—2018 年（2907 天）、验证 2019—2020 年（306 天）、测试 2021—2024 年（612 天）
目标 · IMERG V07 日降水，0.1 度（约 11 公里）
输入 · ERA5 的 0.25 度位势、温度、湿度、风（三个气压层），加高程与陆面比例；另一配置额外加入 ERA5 降水作为第 19 个动力输入
网络 · U-Net，四次下采样，编码器 64/128/256/512 通道，瓶颈 1024；每块两次卷积 + 实例归一化 + leaky ReLU，中间加空间 dropout（率 0.1）；解码器双线性上采样；共 2900 万参数
基线 · 气候态、插值到 0.1 度的 ERA5 降水、偏差订正加空间降尺度的 BCSD、以及用同样预报因子但粗化到 1 度的 DeepESD
模型选择 · 所有选择只在两个验证季上做，四个测试季留作评估
结果数字
模型 · RMSE（毫米每天） · 相关系数 · 另两项评分
U-Net（不加 ERA5 降水） · 8.58—8.61 · 0.613—0.621 · 0.501—0.516 / 0.162—0.180
DeepESD · — · 0.581 · 0.464 / 0.143
ERA5 降水插值 · 10.71 · — · — / 0.125
BCSD · 11.18 · 0.477 · 0.446 / 0.141
GAN 单个成员 · 11.71 · 0.421 · —
不加后处理时，两个 U-Net 在除偏差和 P99 比值外的所有评分上都是最优。ERA5 降水的 RMSE 高（10.71 毫米每天）有个明确原因：它把强降水放到了正确的强度区间但常常放错位置——40 毫米每天以上的预报里 71% 是空报，U-Net 这一侧是 53%。
加入 ERA5 降水作为输入，除偏差和 P99 比值外各项评分都优于不加的版本，但差距很小（原始输出上相关系数差 0.008）。
原文图
图2 第 50、90、99 百分位三个代表日的降水场：从上到下依次为 IMERG 目标、ERA5、DeepESD、U-Net、U-Net 加分位映射、残差 WGAN；ERA5 与目标的相关系数只有 0.48—0.54，U-Net 提到 0.62—0.66，GAN 单场相关偏低但空间形态更破碎、更接近真实对流。
图3 残差 WGAN 集合：上排为 IMERG 与 U-Net 均值场，中排为两个 GAN 成员，下左为 10 成员均值与集合标准差，下右的秩直方图接近均匀、误差谱与离散谱基本重合，说明集合离散度与误差匹配。
作者承认的限制
限制 · 原文口径
确定性网络一律偏干 · 所有参与比较的确定性网络都太干，且在几百公里以下几乎丢掉全部观测变率——这是改用 GAN 的直接动因
注意力机制没用 · 加卷积块注意力模块和跳跃连接上的注意力门，验证季相关系数降 0.005、20 毫米每天的分数技巧评分降 0.011—0.015（五次训练平均），因此没有保留
可达技巧本身有限 · 大尺度场对中尺度对流系统位置的约束可能很弱，所以可达技巧受限
平滑窗口与判据的敏感性 · 分位映射的设计是在不使用测试期的前提下选定的
一句话判断
这是一份把「降尺度在西非到底能做到几分」量清楚的基准：U-Net 在相关系数上确实压过基线和 DeepESD，但确定式训练必然平滑、必然偏干，想同时保住位置技巧和细尺度变率，就得上生成式方案。