观潮 · 模式预报与气象 AI 观察
球面神经算子降尺度：2 倍训练、4 倍零样本，平均 RMSE 18.48 对 19.10
> 气象降尺度要在球面上做多尺度映射，现有神经算子三处都不齐：要么忽略球面几何、要么不能跨尺度预测、要么不带任何物理约束。MSPNO 的做法是用球面拉普拉斯分解把大气场按频率拆成层级，用一个「局部球面积分算子」在任意经纬度上做几何感知的核变换，再把散度、涡度、水汽输送三项微分约束塞进损失。在 ERA5/WeatherBench 的 7 个变量上，2 倍降尺度的平均 RMSE 是 18.48，同期最好的对比方法 OFormer 是 19.10；平均 ACC 0.8881 对 0.8819。但它不是全面领先——500 hPa 相对湿度上三项指标都输给 OFormer（MSE 0.3526 对 0.3505），而物理约束带来的改进只有 0.051 的 RMSE，论文没有给显著性检验。
缺的是哪一块
动力降尺度（区域气候模式）能模拟极值，但算力开销大、结果解读要专业知识；统计降尺度便宜，但依赖人工先验。数据驱动的方法把算力负担压下来了，可是定尺度的方法在取任意尺度信息时会传播误差——而算子学习本来就是学函数空间之间的映射，天然具备跨尺度预测的能力，所以在流体、气动领域已经用开了。
把算子学习搬到气象降尺度上，卡在三处，作者自己也用一张表把这三种能力列了出来：
挑战 · 具体表现
跨尺度耦合 · 全球环流、中尺度天气、局地对流通过非线性相互作用和反馈纠缠在一起，算子要在整个空间频率谱上都抓住，很难
球面几何失真 · 气象数据在非均匀、有畸变的球面网格上，高纬格点被严重压缩。标准算子（如 DeepONet）会出现明显的极区不连续
缺显式大气定律 · 纯数据驱动的算子会给出违反基本守恒关系的预测，需要把可微的物理先验嵌进去
作者对现有方法的定位是：DeepONet 与 LOCA 这类点积算子有逼近保证，但线性算子结构导致训练敏感、性能饱和；FNO、SFNO 这类谱算子走傅里叶卷积、推理快，但本身不具备任意尺度预测能力，尺度适配要额外后处理；GNOT、LNO、IPOT 这类 Transformer 算子归纳偏置强，但要海量数据才能学到尺度感知，而且没有为球面几何和大气多尺度特征定制先验。NeuralGCM、ClimODE 面向全球天气预报，PIANO 面向降水，都没有同时对准降尺度的两个要求：球面拓扑 + 跨尺度动力一致性。
按作者的分类表，MSPNO 是唯一同时打上「多尺度 / 球面 / 物理」三个勾的。
方法怎么搭的
四个部件，逐个说。
① 网格无关的球面拉普拉斯编码器。用拉普拉斯金字塔把场拆成层级：每层先算残差 u_s − G_s(u_s)，再下采样，得到一组按频率排列的分量。关键在于分解后的各层保持逐点对应，所以不同尺度之间不会错位——这是后面对齐融合的前提。各层再过一个全局池化 + 尺度注意力的分支，生成尺度 token。
② 混合位置编码。查询点（任意经纬度）要能嵌入到特征里。做法是两路并行：测地 RBF 核（按球面距离加权邻域）+ 傅里叶特征（对经纬度做正余弦投影），两路拼起来再送 MLP。这一步解决的是「在球面上任意位置取值」的问题，不是简单的网格插值。
③ 局部球面积分算子。把连续核变换写成球面积分，核函数用几何感知的注意力近似：只在查询点的测地邻域内求和，权重是指数化的键查询相似度。因为只取邻域，计算量受控，而且推理时不受输入网格形状限制（网格无关）。作者强调降尺度本质上是邻域上下文驱动的局部重建任务，所以局部化不是近似妥协，而是贴合任务。
④ 物理引导损失。三项微分残差，都按纬度余弦加权：
约束 · 对应残差
散度 · 预测与真值的水平散度之差
涡度 · 预测与真值的相对涡度之差
水汽输送 · 水平通量散度之差
总损失是 MSE 加一个随训练阶段变化的物理项权重。
数据与设置。ERA5 再分析，走 WeatherBench 的预处理版本，用 2014—2015 年、6 小时间隔。输出 7 个变量：2 米气温、10 米风的两分量，以及 500 hPa 位势高度、850 hPa 气温、500 hPa 相对湿度、850 hPa 比湿。主对比在 2 倍降尺度上做，4 倍只用于零样本外推。
结果数字
主对比（MSE / RMSE / ACC，7 变量平均）：
方法 · MSE ↓ · RMSE ↓ · ACC ↑
**MSPNO（本文）** · **0.1117** · **18.4779** · **0.8881**
OFormer · 0.1156 · 19.1033 · 0.8819
IPOT · 0.1193 · 19.6052 · 0.8792
LOCA · 0.1194 · 19.4991 · 0.8815
LNO · 0.1197 · 19.6340 · 0.8754
GNOT · 0.1198 · 19.6335 · 0.8734
DeepONet · 0.1873 · 32.6814 · 0.8377
逐变量看，最有代表性的是 2 米气温：RMSE 1.4322 对 OFormer 的 1.7125，ACC 0.9622 对 0.9462。500 hPa 位势高度上，MSPNO 的 RMSE 是 102.8555，对比方法里最差的是 DeepONet 的 195.1579，差距主要来自后者在极区的断层。
多尺度层数的消融说明 4 层是个折中：
层数 · MSE ↓ · RMSE ↓ · ACC ↑
1（不分层） · 0.1125 · 18.5787 · 0.8876
**4（本文）** · **0.1117** · **18.4779** · **0.8881**
8 · 0.1117 · 18.5175 · 0.8882
组件消融（平均）：
变体 · MSE ↓ · RMSE ↓ · ACC ↑
完整模型 · 0.1117 · 18.4779 · 0.8881
编码器换成球面替代件 · 0.1121 · 18.5541 · 0.8879
注意力核换成球面替代件 · 0.1127 · 18.7909 · 0.8868
去掉物理引导目标 · 0.1119 · 18.5288 · 0.8880
物理一致性用平均绝对残差衡量（单位 10⁻⁵）：
方法 · 散度 ↓ · 涡度 ↓ · 水汽 ↓ · 合计 ↓
MSPNO · 189.02 · 78.51 · 160.95 · 428.49
OFormer · 202.28 · 84.13 · 171.94 · 458.36
IPOT · 211.75 · 87.39 · 173.88 · 463.01
LOCA · 213.20 · 87.97 · 174.06 · 475.22
GNOT · 213.34 · 88.01 · 173.71 · 475.06
LNO · 213.25 · 87.98 · 173.84 · 475.07
DeepONet · 218.68 · 89.92 · 183.12 · 491.72
零样本（未见过的查询位置）方面，MSPNO 的 RMSE 最低（约 2.30），ACC 最高（约 0.868）；最差的是 DeepONet，RMSE 约 2.75、ACC 约 0.820。这一项的绝对值只从柱状图上读取，论文正文没有给精确数值。
原文图
极区视角下的全球降尺度结果对比，上排为 10 米纬向风、下排为经向风，左列为真值、中列为 MSPNO、右列为 DeepONet。DeepONet 的图在极区附近有一条明显接缝，对应正文所说的极区不连续；MSPNO 的场在极区保持连续，这也是它在 Z500 上把 RMSE 压到 102.86（对 DeepONet 195.16）的主要原因。
上：主流程。查询坐标与参考坐标各走一路混合位置编码；参考场先经拉普拉斯编码器分层，再过全局池化、尺度注意力与交叉尺度融合，最后交给局部球面积分算子与 MLP，输出同时受散度、涡度、水汽三项约束监督。左下：网格无关的球面拉普拉斯编码器，逐层下采样并取残差。右下：混合位置编码（测地 RBF 核 + 傅里叶特征拼接）与局部球面积分算子的取数方式。
在训练时没见过的查询位置上做零样本评估。左为 RMSE（越低越好），右为 ACC（越高越好）。MSPNO 的柱子最低/最高，DeepONet 最差。
边界：没做的事与数字里的短板
- 物理约束的收益很小，且没有显著性说明。去掉物理引导目标后，平均 MSE 从 0.1117 变成 0.1119、RMSE 从 18.4779 变成 18.5288——差 0.051 的 RMSE。论文把它作为「物理约束有效」的证据呈现，但没有报告多个随机种子的离散度或显著性检验，这个量级是否稳定成立，文中无法判断。
- 替换件的表现并不一致。把编码器换成球面替代件后，2 米气温的 RMSE 从 1.4322 略降到 1.4308，但 500 hPa 相对湿度从 19.8951 升到 19.9353，平均 RMSE 也从 18.4779 退到 18.5541。也就是说「加球面编码」只在平均值上占优，单变量上互有胜负。
- 500 hPa 相对湿度上全面落后。MSE 0.3526 对 OFormer 0.3505、GNOT 0.3511、LOCA 0.3512；RMSE 19.8951 对 OFormer 19.8380；ACC 0.7293 对 0.7305。作者没有解释这个变量为何例外。
- 主对比只有 2 倍降尺度。4 倍仅出现在零样本外推里，正文没有给 4 倍的统计指标表。
- 数据窗口很窄。只有 2014—2015 两年 ERA5、6 小时间隔，7 个变量，不含降水等强非线性量。
- 物理一致性是残差指标，不是守恒律验证。散度、涡度、水汽三项以平均绝对残差（10⁻⁵ 量级）报出，衡量的是与真值的接近程度，不等于严格满足守恒。
一句话判断
把球面几何、多尺度分解和可微物理约束同时塞进一个算子，在 7 个变量的平均指标上确实赢了现有算子（RMSE 18.48 对 19.10），极区连续性也是实打实的改进；但物理约束的增益只有千分之几、R500 上还被反超，说明这套「三合一」的收益主要来自几何与多尺度两项，物理那一项目前更像锦上添花。