观潮 · 模式预报与气象 AI 观察
视频扩散生成小时降水：8.8 公里格点上湿时数占比 10.5%，对齐对流可分辨模式
> 对流可分辨模式（CPM）能把小时降水的空间结构和日变化做得比全球气候模式真实得多，但算不起大样本集合，于是「百年一遇到千年一遇」的极端降水变化一直没法稳健量化。这篇论文用视频扩散模型做了一个仿真器 CPMGEM-hourly：输入是粗到 60 公里的日平均大气变量（海平面气压，以及 850、700、500、250 hPa 上的比湿、相对涡度、温度），直接吐出 8.8 公里、逐小时的降水场。在英格兰和威尔士上，它把湿小时占比（年 10.5%、冬 15.6%、夏 5.8%）和 0.1 mm/h 以上才「算湿」这个判据下的季节变化都复现到了与 CPM 一致，强度分布的顶端一直贴合到验证集里最高的 80 mm/h；空间场上均值、标准差、99.9 分位的相对偏差 RMS 分别是 3.7%、5.3%、6.7%；未来时段（1981—2000 → 2061—2080）99.9 分位降水的相对变化量与空间型也基本对上，包括夏季东南角减少、其余地区增加这个复杂形态。作者自己划的边界：输出仍是 8.8 公里而非 CPM 原生的 2.2 公里，区域只有英格兰和威尔士，100—1000 年一遇事件的检验、接水文与洪水模型、直接用真实 GCM 场驱动，都还没做。
缺的是哪一块
英国洪水每年造成的损失约 5 亿英镑，防洪工程通常按「百年一遇」以上的标准设计。要评估这个标准在未来还够不够，需要的是公里尺度、次小时到小时尺度的降水，而且需要足够多的样本，才能把重现期拉到百年甚至千年。
物理模式这一侧有解：公里尺度的对流可分辨模式比全球气候模式真实得多。问题是贵。贵到凑不出统计极端所需的样本量。
机器学习这一侧的现有工作，卡在三个地方：
已有做法 · 卡在哪
日尺度仿真器（含作者自己前作） · 只出日平均，给不了洪水模型需要的小时过程
纯空间降尺度 · 需要一个粗分辨率模式提供次日报，而这类输出要么不存在、要么本身不真实
视频超分辨率 · 前提是粗模式已经把大尺度降水做对了。但公里尺度模式**在粗尺度上同样会改变降水**，超分只能补细节、补不了这个偏差
还有一条更硬的限制：只用观测或再分析训练的仿真器，外推到未来气候时缺技巧（Rampal 等人的结果）。也就是说，仿真器必须能跟着物理模式的气候变化信号走，否则对防洪评估没有意义。
方法怎么搭的
目标与数据。训练用的是 UKCP Local 数据集，由英国气象局 2.2 公里的对流可分辨模式（CPM）产出，12 个集合成员，覆盖三个 20 年时段：1981—2000、2021—2040、2061—2080；驱动它的是 60 公里的全球气候模式。
分辨率的取舍。降水目标被粗化到 8.8 公里——作者的说法是取「CPM 分辨得比较好的那部分尺度」。空间域是英格兰和威尔士。
输入变量。刻意选了「气候模式随手就能给」的量：日平均的海平面气压，以及 850、700、500、250 hPa 四层的比湿、相对涡度、温度。这些量先被粗化到 60 公里，和驱动 GCM 的格距对齐。
框架。所谓「完美模型」（perfect model）框架：拿粗化后的 CPM 变量当输入，拿 CPM 降水当目标。模型本体是视频扩散——把时间维当成视频的帧维，一次性建模时空联合结构，而不是先出空间细节再拼时间。
算得起。作者给的成本数字是：本文这套配置在单张 GPU 上，每小时可以生成 210 天的逐小时样本。
结果数字
检验项 · CPM · CPMGEM-hourly
湿小时占比（全年） · 10.5% · 10.5%
湿小时占比（冬季） · 15.6% · 15.6%
湿小时占比（夏季） · 5.8% · 5.8%
小时降水强度分布顶端 · 验证集最高 80 mm/h · 一路贴合到该值
湿时段数占比判据 · 0.1 mm/h · 同
空间场相对偏差 RMS（均值） · — · 3.7%
空间场相对偏差 RMS（标准差） · — · 5.3%
空间场相对偏差 RMS（99.9 分位） · — · 6.7%
生成成本 · — · 单 GPU 每小时 210 天逐小时样本
「湿时段」的定义是连续超过 0.1 mm/h 的时段，逐格点统计其持续时间与最大强度。作者指出，这两个量的联合分布（不只是边际分布）与 CPM 吻合，包括「强度越高的湿时段往往持续更久」这个倾向——这一点对洪水模拟是要紧的，因为致灾的正是强度与持续时间的组合。
气候变化信号方面：从 1981—2000 到 2061—2080，99.9 分位降水的相对变化在量级和空间型上都被复现。冬季全域一致增强；夏季是更复杂的形态——东南角减弱、其余地区增强。作者说明，仿真器与 CPM 在这个变化量上的差异没有大尺度空间型，即不是系统性偏一块。
原文图
一个夏季对流日的八小时演变示例。上排是对流可分辨模式（CPM）的降水，下排是 CPMGEM-hourly 在同样粗化日平均输入下的一次采样。两者不会逐格点相同——空间和时间降尺度本身都含有很大的随机成分——但仿真器复现了这批小尺度高强度对流单体的演变过程与出现时段。
全域所有格点、所有小时的小时降水频率分布密度，纵轴取对数。灰色是 2.2 公里对流可分辨模式，蓝线是 CPMGEM-hourly 的样本，两者一路贴合到验证集里的最高强度约 80 mm/h；右侧尾部因样本稀少而出现明显锯齿。
湿时段（连续超过 0.1 mm/h）的「持续时间—最大强度」联合频数，左为对流可分辨模式、右为仿真器，色标是频数（对数）。两者在形态上接近，包括强度越高的湿时段往往持续越久这一倾向——洪水模拟关心的正是这两个量的组合。
整个验证集上的径向平均功率谱密度，横轴为波长（10 到 1000 公里，对数），纵轴为功率谱密度（对数）。灰点是目标的对流可分辨模式，蓝线是仿真器样本：两条曲线在全部空间尺度上贴合，说明仿真器不是只在大尺度上碰巧接近，而是在细尺度上也保住了变率结构。
作者承认的限制
- 输出不是原生的 2.2 公里。8.8 公里是刻意粗化的结果，取的是 CPM 分辨得较可靠的尺度；更高分辨率留待后续。
- 区域只覆盖英格兰和威尔士。扩大到全英国、提高分辨率是明确的下一步。
- 百年一遇到千年一遇的事件还没评估。作者把这一条列为后续工作——恰恰是这类事件最受关注。
- 还没接水文和洪水模型。用仿真器输出去驱动国家级水文与洪水系统、并检验模拟径流与洪水事件的真实性，都还在计划里。
- 当前是完美模型框架。输入来自粗化后的 CPM 自身，而不是真实全球模式的输出场。论文给的应用场景是用它去降尺度大样本 GCM 集合，但这一步在本文中没有直接验证。
- 逐点一致本来就不该指望。作者明确说，空间和时间降尺度都含有很大的有效随机成分，样本与 CPM 不需要、也不应该逐格点相同。
一句话判断
把日平均的粗变量直接变成公里尺度小时降水这条路走通了，湿时数占比、强度分布顶端、气候变化空间型三项都对上了物理模式；但它现在还是个「完美模型」里的演示，离直接吃全球模式输出、离百年一遇以上的极端检验，都还有明确的距离。