HiRO-ACE：基于 3 km 全球暴雨解析模型训练的高速且精准的人工智能仿真与下采样

大气尺度的气象模拟是评估局部天气极端事件和气候影响的重要工具，但其计算成本限制只能在小范围内、短时间段和有限ensemble中使用。机器学习为高分辨率模拟提供了高效仿真的途径。本文介绍 HiRO-ACE，一个两阶段的人工智能建模框架，将随机版 Ai2 气候仿真器（ACE2S）与基于扩散的下采样技术（HiRO）相结合，用于生成全球任意区域的 3 km 降水场。两个组件均基于 X-SHiELD——一款 3 km 分辨率的全球暴雨解析模型模拟数据训练。HiRO 进行 32 倍下采样——从粗糙 100 km 输入生成 3 km 分辨率、6 小时频率的降水，训练时使用 X-SHiELD 输出的高分辨率与下采样后版本配对。ACE2S 是一种 $1^\circ \times 1^\circ$（约100 km）的随机自回归全球大气仿真器，保持与下采样后 X-SHiELD 一致的网格尺度降水变动性，使其输出可被 HiRO 无需额外调优地直接使用。HiRO-ACE 通过 99.99 百分位再现极端降水速率分布，几乎所有位置的时间均值降水偏差均低于 10%。该框架从难以解析的粗糙输入中生成合理的热带气旋、气线和对流事件。其计算效率允许在单张 H100 GPU 上即可在一天内生成数十年模拟气候的 6 小时频率的高分辨率区域性降水，而其概率性设计则支持 ensemble 生成以量化不确定性。这为以可负担的方式利用高成本 km 尺度模拟的真实性，支撑当地气候适应性规划和极端事件风险评估，提供了人工智能驱动的路径。