AirCast-SR：通过潜在一致扩散的气象超分辨率基础模型
机器学习
2026-05-27 v1 大气与海洋物理
摘要
传统数值天气预报 (NWP) 模型在公里尺度上计算昂贵，限制了能源、农业和灾害管理等需要细粒度时空细节的应用获取精细预测的能力。本文介绍 AirCast-SR，一种用于气象超分辨率的基础模型，将全球 AI 天气预报从 0.25 度（约 28 km）下采样到 1 km 水平分辨率，时序为小时级，同时生产八个耦合表面变量的 67 小时预测。EarthMind-SR 采用三维 U-Net，置于潜在一致模型 (LCM) 扩散框架中进行条件化，训练数据来自美国逗点联邦 (CONUS) 区域的 patch-based 样本，输入为 GraphCast 预测，目标为 NOAA 校准记录分析 (AORC)。该模型在所有变量和时滞时间上实现接近零偏差，其径向功率谱密度分析显示在 10 km 到 100 km 波长尺度上保留了细小尺度大气结构，而粗糙模型在此尺度上丢失了谱功率。我们在 CONUS 三个案例研究中对 EarthMind-SR 进行了验证，涵盖冬季、夏季和春季，并在不进行任何重新训练或微调的情况下，演示了对印度和德国的零样本全局可迁移性，使用独立的表面站观测。作为一个开放权重的基础模型，EarthMind-SR 确立了公里尺度 AI 天气预报的新范式，并为区域精细调谐、蒸馏和下游应用（如气候服务和灾害预报）提供了平台。
引用
@article{arxiv.2605.26130,
title = {AirCast-SR: A Foundation Model for Kilometer-Scale Atmospheric Super-Resolution via Latent Consistency Diffusion},
author = {Somnath Luitel and Manmeet Singh and Joshua Durkee and Abdullah Al Fahad and Naveen Sudharsan and Prabhjot Singh and Cenlin He and Harsh Kamath and Zong-Liang Yang and Krishnagopal Halder and Sandeep Juneja and Parthasarathi Mukhopadhyay and Saptarishi Dhanuka and Amit Kumar Srivastava},
journal= {arXiv preprint arXiv:2605.26130},
year = {2026}
}
备注
Somnath Luitel and Manmeet Singh are equal-contribution co-first authors, with Manmeet Singh ([email protected]) as corresponding author