观潮 · 模式预报与气象 AI 观察
Xaurora：把确定性天气预报模型改造成集合预报，13 分钟生成 15 天预报
确定性基础模型（如 Aurora）在天气预报上已接近传统数值模式，但只能给单一确定答案，无法生成集合预报来量化不确定性。Xaurora 用一种新的生成式方法——Denoising Stochastic Interpolants（DSI）——把预训练的确定性模型改造成集合预报模型，只增加 0.64% 的参数，就在单张 A100 GPU 上 13 分钟生成 15 天集合预报，性能接近 SOTA 概率预报系统。
缺的是哪一块：确定性模型的"平滑病"
深度学习天气预测（DLWP）模型已追上传统数值预报，但存在一个根本缺陷：确定性模型随预报时效增长会越来越平滑。这是因为确定性目标函数只奖励"猜得准"，不奖励"猜得多样"。
集合预报是解决这个问题的标准方法——用多个略有差异的初始条件跑多次，得到一组结果来估计不确定性。但训练集合 DLWP 模型计算成本极高。
另一条路是用概率损失函数（如 CRPS）直接训练随机网络，但这类模型同样有平滑问题，且无法像生成式模型那样灵活扩展（如后验采样、物理约束生成）。
Xaurora 的策略是：不从零训练随机模型，而是把预训练的确定性基础模型（Aurora）改造成生成式模型。这利用了深度网络学到的可迁移特征，只需微调而非从头训练。
方法：Denoising Stochastic Interpolants
为什么不用 DDPM 或 Flow Matching
主流生成模型（DDPM、Flow Matching）从纯噪声生成状态，但天气预报是自回归的——每一步都要基于上一步的预测继续。从噪声开始生成与微调确定性先验不匹配。
Xaurora 采用 Stochastic Interpolants（SI），在两个连续状态之间构建随机桥，更适合自回归状态预测模型的微调。
DSI 的核心思想
SI 有三种等价参数化（类似 DDPM 的 ε-prediction、x-prediction、v-prediction）。Xaurora 定义了 Denoising Stochastic Interpolants（DSI）——一种新的 SI 参数化，专门用于热启动：
- 在初始化时充分利用 Aurora 的准确性
- 在高维像素空间中保持稳定
- 训练时用去噪损失替代原始 SI 损失
训练策略：SDE-Rollout Replay Buffer
Xaurora 把 Aurora 的 replay buffer 机制推广到生成式模型：
- 用 SDE rollout 生成轨迹
- 用单次反向传播的 CRPS 目标优化
- 结合概率损失训练 SDE 轨迹
模型架构
Xaurora 基于 Aurora-Small（约 1 亿参数），只增加 0.64% 的参数。去噪器模型在 Aurora 的 ViT 架构上做了最小改动。
结果：接近 SOTA，但快得多
集合平均性能
在 WeatherBench 基准上（2022 年测试集），Xaurora 的集合平均 RMSE 接近 IFS ENS、Aurora-O、GenCast-O 等业务系统：
- 初始化时性能差距最小
- 误差曲线趋势相似
- 1-3 天时效内优于 Aurora-S 和 Aurora-L
- 7-12 天时效内误差低于 Aurora-O（后者只针对 10 天 rollout 微调）
概率性能
CRPS 分数紧跟业务模型：
- 整体略欠离散（Spread-Skill Ratio < 1）
- 15 天时效校准良好
- 短时效（0-3 天）天气尺度变量（Z、T、2T、MSL）过离散，中尺度变量（Q、U、V）欠离散
计算成本
- 13 分钟生成 15 天预报（单张 A100 GPU）
- 集合成员可并行化
- 参数只增加 0.64%
- 比现有概率微调方法更快
谱校准分析
Xaurora 发现变量相关的、空间相关的各向同性随机场可以改善样本方差。高频噪声底是主要局限，噪声模型对预报谱特性有主要影响。
图 1：Xaurora 的集合预报生成过程
图 1：Xaurora 通过嵌套 rollout 生成集合预报。每个物理时间步 x_t → x̂_{t+Δt} 由积分随机微分方程生成，去噪器模型从 SDE 状态预测终端状态。
图 2：三种参数化轨迹对比
图 2：SI 的三种参数化（ε-prediction、x-prediction、v-prediction）在轨迹上的对比。DSI 对应 x-prediction，在时间设置中预测终端状态。
图 3：主要诊断结果
图 3：Xaurora 的主要诊断结果，展示集合成员随时间的演变。3 天内成员保持接近 Aurora-S，10 天后才发散，说明模型受益于先验但不过度约束。
图 4：模型架构
图 4：Xaurora 的模型架构。去噪器在 Aurora 的 ViT 架构上做了最小改动，只增加 0.64% 的参数。
图 5：去噪器 β 参数
图 5：去噪器 β 参数的影响。β 控制 SDE 的扩散项强度，影响生成样本的多样性。
图 6：噪声场
图 6：不同噪声模型的样本。变量相关的、空间相关的各向同性随机场可以改善样本方差，但高频噪声底仍是主要局限。
作者承认的限制
高频噪声底是主要局限。 作者发现噪声模型对预报谱特性有主要影响，推理时干预只能部分校准。进一步研究可以构建更适合任务谱特性的随机场。
短时效过离散与欠离散并存。 0-3 天时效内，天气尺度变量（Z、T、2T、MSL）过离散，中尺度变量（Q、U、V）欠离散。这说明单一噪声模型难以同时匹配不同尺度的变量。
只建模了大气不确定性。 作者明确忽略了其他不确定性来源，如数据同化过程生成初始条件的不确定性。
集合规模有限。 虽然 2 个成员就足以超越先验，但更大集合的性能提升空间未充分探索。
噪声分布假设。 SI 技术上不要求噪声服从高斯分布，但结合不同噪声模型的几何方面仍未充分探索。
一句话判断
Xaurora 证明了确定性基础模型可以高效扩展为更强的随机模型——只增加 0.64% 参数、13 分钟生成 15 天集合预报，性能接近 SOTA 概率预报系统，为有限计算能力的机构（如学术界、国家气象部门）提供了可及的概率天气预报方案。