观潮 · 模式预报与气象 AI 观察
EC-EarthFlow：用 flow matching 模拟气候模式，以极低成本生成百年尺度温度集合
气候模式（GCM）是理解未来气候变化的核心工具，但运行成本极高——一次百年模拟需要数百万 CPU 小时。更关键的是，为了研究气候变率和极端事件，往往需要"大集合"（large ensemble）：同一情景下几十次不同初始条件的模拟，以分离强迫响应和内部变率。这样的集合在计算上几乎不可行。
EC-EarthFlow 用一种叫 flow matching 的生成式方法，学习物理气候模式 EC-Earth3 的模拟结果，然后以极低成本生成任意长度的日尺度温度集合。训练数据是 EC-Earth3 在 SSP2-4.5 情景下 1950–2166 年的 16 次瞬变模拟，只取 2 米温度这一个变量。预测时只需前 5 天的日温度加当年的年平均温度，就能自回归地生成任意长度的日尺度预测。
为什么气候模式模拟比天气预报更难
天气预报的 AI 模型已经相当成熟，但气候模拟面临几个额外挑战：
- 长时间稳定性：气候模拟要跑几百年，误差不能随时间累积发散。
- 非平稳性：训练数据（历史）和预测数据（未来）的气候状态不同，模型必须学会外推趋势。
- 多变量需求：科学家需要降水、风速、湿度、土壤湿度等多种变量，而不仅是温度。
已有方法各有局限：确定性模型（如 ACE2）在平稳气候下稳定，但缺乏概率框架，且不能处理非平稳气候；扩散模型（如 cBottle）能采样完整大气状态，但分辨率有限或只能预测固定长度序列。
flow matching 怎么模拟气候模式
Flow matching 是一种生成式模型，学习从噪声到数据分布的映射。EC-EarthFlow 用 50 步 ODE 求解生成预测，每次预测从 5 月底开始，输入前 5 天日温度加当年年平均温度，生成 10 个集合成员。
关键设计：
- 条件输入：年平均温度作为趋势条件，让模型知道当前处于变暖的哪个阶段。
- 自回归 rollout：预测可以任意延长，从 1 个月到 8 个月甚至更长。
- 单变量：只预测 2 米温度，降低计算成本，但保留了日际变率、年周期和长期趋势。
结果：以极低成本复现气候模式的核心特征
日尺度变率与年际变化
EC-EarthFlow 成功复现了 EC-Earth3 的日尺度温度变率，包括：
- 年周期：全球平均温度的年周期振幅和相位都准确复现，包括北半球夏季更强的信号（由海陆对比驱动）。
- 长期趋势：1950–2150 年的变暖趋势被准确捕捉，说明模型能响应外部强迫。
- 局地过程：悉尼（澳大利亚）在 10–12 月的日温度变率增加、荷兰 De Bilt 在冬季的变率增加，都被模型学会——尽管输入只有前 5 天温度和年平均温度。
集合行为与内部变率
生成的 10 成员集合表现出合理的内部变率：
- 集合成员之间存在差异，但都条件于输入的 EC-Earth3 成员。
- 集合离散度略偏小（under-dispersed），但可以通过调整 flow matching 参数改善。
- 模型还学会了 ENSO 相关的变率增加（澳大利亚东部春夏季），尽管只训练了温度数据。
空间相关与遥相关
空间相关分析显示，EC-EarthFlow 学到了大气动力学的某些方面：
- 复现了遥相关型波状结构和阻塞特征。
- 大尺度相关性平滑，说明模型容量或训练目标限制了高阶结构的复现。
计算成本
EC-EarthFlow 的计算成本远低于物理模式：
- 生成 10 成员集合只需 50 步 ODE 求解。
- 相比运行 EC-Earth3 百年模拟的数百万 CPU 小时，生成式模型的推理成本几乎可以忽略。
作者承认的限制
极地温度偏差：模型在极地产生空间一致的偏差，冬季最明显（南极在北半球夏季）。尝试了不同的归一化方法（包括逐格点归一化）但改善有限。作者认为这可能是规则经纬网格在极地网格尺寸变化较大导致的，未来可探索 HEALPix 等投影。
集合离散度偏小：集合略偏 under-dispersed，需要进一步调参。
单变量限制：只预测了 2 米温度，而科学家需要降水、风速、湿度等多变量。增加变量是明确的下一步。
分辨率不足：当前分辨率（128×64）不足以支撑区域气候研究，需要更高分辨率。
条件输入依赖：集合强烈依赖于输入的 EC-Earth3 成员（因为用了年平均温度作为条件），这可能限制模型独立探索内部变率空间的能力。未来可探索用温室气体浓度、简化气候模式输出等作为条件。
测试期较短：评估只覆盖 2021–2022 两年，需要多年评估验证极端事件表现。
一句话判断
EC-EarthFlow 证明了 flow matching 能以极低成本复现气候模式的日尺度变率、年周期和长期趋势，但极地偏差、单变量限制和集合离散度偏小是下一步要解决的问题。
图 1：EC-EarthFlow 的 flow matching 模型架构。三路条件输入——历史日温度（Context: History）、伪时间当前状态、当年年平均温度（Context: Annual mean）——沿通道拼接后经分词器输入 Transformer，输出 flow matching 向量场，用于 ODE 求解生成下一天温度场。
图 2：荷兰 De Bilt（上）和澳大利亚悉尼（下）在 1950、2050、2150 年的日温度时间序列。蓝线为 EC-Earth3 物理模式，绿线为 EC-EarthFlow 10 成员集合（阴影为集合区间），绿色曲线在三个年代都跟住了季节循环、日际变率和长期增暖趋势，包括悉尼在春冬季变率的增大。