装在瓶子里的气候：面向千米尺度全球大气的生成式基础模型
大气与海洋物理
2025-08-01 v2
摘要
气候建模正达到前所未有的分辨率，产生海量数据。AI气候模型模拟器提供了一种计算成本低廉的分析路径，使其能够实现新的科学见解和情景规划。近期进展显示出可可靠模拟气候数据的希望之光。然而，现行的自回归范式在气候时间范围内的训练存在漂移、不稳定和组件耦合等挑战。它们难以扩展到高分辨率，还需要浏览大量输出以识别感兴趣的罕见极端事件。我们提出了Climate in a Bottle（cBottle），这是一种生成式扩散框架，用于模拟HEALPix网格上的全球5公里气候模拟和再分析数据。cBottle直接从大气状态的完整分布中进行采样，避免了自回归滚动，且是首次达到1250万像素的全球分辨率。它由两个阶段组成：一个以海表温度和太阳位置为条件的粗分辨率生成器， followed by 基于块的16倍超分辨率阶段。cBottle通过一系列测试，包括日-季节变率、大尺度变率模式、热带风暴统计以及气候变化和天气极端事件趋势。它是一步向基础模型的进展：桥接数据模态（再分析和模拟），实现零样本偏差校正、下采样和数据填充。它还通过引导扩散实现了新的交互性。例如，我们在生成器中训练了一个热带风暴（TC）分类器，引导至TC状态，获取物理上可信的样本。这为广泛的用户查询的引导方法和与气候数据交互的新方式打开了可能性。
引用
@article{arxiv.2505.06474,
title = {Climate in a Bottle: Towards a Generative Foundation Model for the Kilometer-Scale Global Atmosphere},
author = {Noah D. Brenowitz and Tao Ge and Akshay Subramaniam and Peter Manshausen and Aayush Gupta and David M. Hall and Morteza Mardani and Arash Vahdat and Karthik Kashinath and Michael S. Pritchard},
journal= {arXiv preprint arXiv:2505.06474},
year = {2025}
}