观潮 · 模式预报与气象 AI 观察
ERA5 月平均场降成逐日场：扩散模型把 1 度月值一次降到 0.25 度日值，温度与降水联合生成且无需重新训练
> 气候数据集受存储和算力限制常常只能存粗分辨率，而数字地球这类系统又希望按需生成细粒度输出——这两头之间的桥就是降尺度。已有研究大多只做空间降尺度，把「月平均」变回「逐日」的联合时空降尺度做得很少。这篇论文用扩散模型同时降时间和降空间：输入 1 度的月度温度与降水场，输出 0.25 度的逐日场，采用条件生成的方式以月场为引导、以自回归方式保证日与日之间的时间连贯性。作者强调的一点是工程上省事——预训练好的扩散模型通过条件引导就能直接生成，不需要额外微调或重新训练。评估走的是概率口径：降尺度没有配对的高分辨率真值，因此不比逐日是否对得上，而是看波长谱、极值行为、时空连贯性与变量间协方差这些统计性质是否与参考数据一致。雨这一侧有一处明确的保留：生成场的月平均虽然与 ERA5 接近，但两条曲线并不完全重叠。
缺的是哪一块
要理解气候变化对生态和社会经济的影响，气候变量得在足够高的时空尺度上被准确表达。但存储与计算约束往往要求数据集以粗空间、粗时间分辨率归档，直接拿来做影响评估不合适。数字地球一类的项目还打算走在线仿真路线——核心数据粗存，高分辨率输出按需生成。新出现的气候替代模式（emulator）能在粗时空尺度上快速模拟、抓住气候场对外强迫的长期响应，但通常只给年平均或月平均。要把这些快速模拟器变得好用，就需要高效的时空降尺度方法。
现有的降尺度分三类。动力降尺度用区域气候模式由大尺度边界条件驱动，物理一致，但算力代价大，而且数值模拟需要的是一整套气候变量而不是你关心的那一个。统计降尺度（插值、回归、随机天气发生器）算得便宜，但可能刻画不准高维时空结构和极值，对降水这种强非线性、间歇性强的变量尤其明显。机器学习路线近年进展明显，概率生成式模型还能抓住重尾分布、间歇性和空间异质性；早期的变分自编码器受最大似然目标拖累、偏向平均重建，容易出模糊结果并丢失细节，生成对抗网络能出高分辨率场却训练不稳、容易模式崩塌，扩散模型则在训练与推理稳定性上更好，是目前的主流选择。
真正被忽略的是「时空一起降」。这里有一个和天气预报不同的地方：天气预报有可以直接比对的真值，而降尺度气候场根本没有配对的高分辨率真值；加上高分辨率观测稀缺、气候模式又因为地球流体的混沌行为无法完整重现历史气候，降尺度结果本质上是概率性的。所以评价重点是时空分布的一致性以及对极值的准确表达。
已有的月度到逐日降尺度工作（如 Bassetti 等）把月图当作先验条件送进扩散模型，让它生成该月内连续 30 天的日图。但那个预训练模型是用相对粗分辨率的 ESM 数据训出来的，只能做时间降尺度，没法直接用到高分辨率观测数据上；而用高分辨率观测数据重训又受 GPU 显存限制——加载 30 天全球高分辨率温度加降水场会直接超显存。本文的两处应对是：用自回归方式建模时间一致性以压低显存需求，以及把时间和空间降尺度放进同一个扩散模型完成。
方法怎么搭的
环节 · 设置
变量 · 2 米地表气温 tas（摄氏度）与日总降水 pr（毫米每天），选取这两个对气候影响分析最核心的变量做联合多变量降尺度
训练数据 · ERA5 再分析 1979—2023 年日值；ERA5 原始为逐小时、细网格，先时间聚合成日值
条件输入 · ERA5 月平均场，空间降采样到 1 度，作为时空降尺度的粗分辨率测试床
预处理 · 降水先做变换，随后对温度或变换后的降水场分别施加一致的归一化系数，线性缩放到指定区间
数据划分 · 1979—2014 年随机分成 90% 训练、10% 验证；2015—2023 年留作评估
推理方式 · 给定前两天的日场与对应月场，模型联合生成逐日的温度与降水场
降尺度目标 · 空间 1 度 → 0.25 度，时间月平均 → 逐日，全球范围
模型性质上有两点需要说明。第一，它训练的是月场与日场的联合分布，属于随机建模框架——学到的是概率性的结构约束，而不是确定的一对一映射。第二，条件引导让预训练模型可以直接被利用：以月度场作为引导条件生成逐日高分辨率场，不需要额外的微调或重新训练。
结果数字
逐日场的形态：论文给出三个连续日的生成场，与原始月场相比，生成结果对寒潮、热浪和强降水这类天气事件的刻画更细致，连续三天之间能看到大尺度天气系统的空间结构与时间演变。
时间演变：用北半球中纬度 180 天的 Hovmöller 图检验时，生成的逐日温度场和降水场都呈现正确的东传波状型式；冬季陆地地表气温普遍低于海洋、海洋降水强于陆地，生成场重现了这些特征。热带和南半球中纬度的同类图也显示生成场抓住了 ERA5 的时空型态。
一个必须讲清的口径：与机器学习天气预报不同，降尺度输出的天气演变不能期望与同一月的真值日场逐一对应，它追求的是汇总统计性质上的一致。生成日场与 ERA5 日场在空间分布特征上高度相似，例如温度、降水高值区与低值区的相对布局——这种相似来自于两者依赖的是同一套背景月场里的大尺度环流结构。
长期趋势与月平均：把 2015—2023 年的月场作为条件生成连续日输出后，全球平均时间序列保留了 ERA5 的长期趋势。生成温度场的月平均与 ERA5 参考高度吻合；降水场的月平均也与 ERA5 高度一致，但仍有细微差异、曲线并不完全重叠。逐格点的时间平均同样与 ERA5 吻合良好。20 个生成成员之间的细微差别体现了模型的概率性。
标准差的空间分布：生成温度场的标准差与 ERA5 参考在空间型态上一致，偏差大多落在 ±1 摄氏度以内；降水标准差的空间分布也大体再现，偏差范围在 -6 到 6 毫米每天之间，热带海洋带偏向生成场离散度不足。
降水为什么不完全重叠：作者的解释是，把高分辨率降水场稀疏采样成粗分辨率表征的过程中，一部分高频信息不可避免地被丢掉；扩散模型再做降尺度时，只能以概率方式重建这些缺失的高频结构。所以生成场的月平均降水虽然接近原始高分辨率场，但两者不会精确重合。作者提出后续可以按应用需求，把月平均的硬约束加进损失函数或生成模型最后一层。
原文图
图1 （a）作为引导条件的 ERA5 月平均温度与降水（1 度）；（b）模型生成的 0.25 度逐日温度与降水，连续三天；（c）ERA5 参考的 0.25 度逐日场。月场只能给出大尺度分布，生成的三天日场里出现了寒潮、热浪与强降水对应的细结构，大尺度高低值区的相对布局与参考日场一致。
图2 Hovmöller 图，横轴经度、纵轴天数，每行四列依次为生成温度、生成降水、ERA5 参考温度、ERA5 参考降水：（a）北半球中纬 30°N—70°N，（b）热带 5°S—5°N，（c）南半球中纬 30°S—70°S。生成场与参考场都呈现正确的东传波状型式，北半球中纬温度场里还能看到冬季陆地比海洋更冷的对比。
图3 （a）生成温度场与 ERA5 的温度标准差对比；（b）两者之差，多数区域在 ±1 摄氏度以内；（c）生成降水场与 ERA5 的降水标准差对比；（d）两者之差，色标范围 -6 到 6 毫米每天，热带海洋上偏向生成场离散度不足。
作者承认的限制
限制 · 原文口径
月平均降水不精确重合 · 生成场的月平均降水虽接近原始高分辨率场，但「两者不会精确重合」；原因是粗粒化采样丢掉了高频信息，降尺度只能概率性地重建
不能与真值逐日对齐 · 与天气预报不同，降尺度输出的天气演变不能期望与同一月的真值日场一致，只能保证汇总统计性质一致
降水需要后续加硬约束 · 目前降水场走的是扩散模型的标准训练与推理流程；作者提出未来可视应用需求，把月平均的硬约束加进损失函数或输出层
GPU 显存限制 · 用高分辨率观测数据重训扩散模型受显存限制——加载 30 天全球高分辨率温降序列会超出显存容量，这也是本文改用自回归建模时间一致性的直接原因
ERA5 自身有偏差 · 作者指出 ERA5 虽然质量高，但与高分辨率卫星和实测观测相比仍有不可忽略的偏差，未来可用卫星或实测数据训练/微调，让输出更贴近真实状况
变量越多代价越大 · 纳入更多气候变量可能让模型捕获更多物理过程（如大气环流内部反馈、海气相互作用），但也会增加计算成本
降水的高频信息本质难恢复 · 降水固有的强时空异质性、高维复杂性和多尺度变率，使时空降尺度对降水场而言本身就是难题
一句话判断
这篇论文的巧妙之处在于把「月变日」的时间降尺度和「1 度变 0.25 度」的空间降尺度压进同一个扩散模型，并用条件引导绕开了重新训练的成本；但它同时也把这类方法的边界标注得很清楚——生成出来的不是一个能与历史逐日天气对上的场，而是一个统计性质正确的场，所以它服务的是影响评估与数字地球这类需要「合理样本」的场景，不是回算某一天到底下了多少雨。