تُعاني النماذج المناخية العالمية من ضعف الدقة المحلية، حيث تُفقد التفاصيل الحيوية مثل الأعاصير أو موجات الحر الشديدة في البيانات الخشنة. ومع ذلك، يتيح منصة NVIDIA Earth-2، عبر نموذج CorrDiff، استعادة هذه التفاصيل من خلال عملية تسمى "الاستقراء الذكي" (downscaling) باستخدام الذكاء الاصطناعي. يُعد هذا النموذج حلاً مبتكرًا لتحويل بيانات نماذج CMIP6 الخشنة (بمعدل دقة ~2.8°) إلى بيانات عالية الدقة (~0.25°)، مع تصحيح التحيزات ومحاكاة التغيرات الزمنية والمكانية بدقة. يُستخدم في التدريب بيانات من نموذج CanESM5 المُدمج مع مُعادلات مراقبة حقيقية (assimilated hindcasts) باستخدام ERA-Interim، مما يضمن تمايزًا مع الأنماط الملاحظة. ويُستخدم كهدف بيانات ERA5، وهو مجموعة معايرة مناخيّة شاملة بجودة عالية ودقة ساعة واحدة. يُشغّل CorrDiff كنظام مزدوج: نموذج انحداري (Regression) يُقدّر القيمة المتوسطة، ونموذج تفرّق (Diffusion) يُضيف التفاصيل الدقيقة التي تُفقد في النموذج الخشن. يتم دمج متغيرات إضافية مثل موقع الشمس، والتوقيت اليومي، وارتفاع الجبال، ومسافة الساحل، مع ترميزات مثلثية لتمثيل الإحداثيات الكروية. بعد تجهيز البيانات (بما يشمل دمج الثلوج والجليد، والتوحيد المكاني، والتنعيم)، يتم تدريب النموذج عبر خمس خطوات: تحميل البيانات، تهيئة النموذج، تدريب النموذج الانحداري، تقييمه، ثم تدريب النموذج التفرّقي. يُنتج النموذج مجموعات كبيرة من السيناريوهات (أي توزيعات احتمالية) من عينة واحدة، مما يُعزز قدرة التقييم على المخاطر النادرة. أظهرت النتائج أن CorrDiff يتفوّق على التحويل الخطي التقليدي (مثل التداخل الخطي) في دقة التنبؤ، خصوصًا في درجة الحرارة السطحية، حيث انخفض التحيّز من 0.97 كلفن إلى -0.11 كلفن، مع تحسن ملحوظ في متوسط الخطأ المطلق (MAE) والجذر التربيعي للخطأ (RMSE). كما أظهر أداءً قويًا في التنبؤ بمركبات الرياح (U10m، V10m)، مع تقييمات إحصائية دقيقة عبر مؤشرات مثل CRPS، مما يدل على أن التوزيعات المولدة تمثل تباينًا حقيقيًا وليس ضوضاء. عند تطبيق النموذج على سيناريوهات المستقبل (مثل SSP585)، ظل التصحيح المُتعلّم مستقرًا، رغم زيادة التباين في التنبؤات بعيدة المدى، خصوصًا في متغيرات الرياح. يُشير هذا إلى أن النموذج يمكنه التعميم على ظروف مستقبلية، لكنه يتطلب تدقيقًا إضافيًا، مثل استخدام تقنيات التحقق عبر نوافذ متغيرة (rolling-window cross-validation). تُستخدم هذه التقنية بالفعل في مشاريع حقيقية، مثل تطوير نماذج تقييم المخاطر المناخية من قبل S&P Global Energy، حيث تُستخدم المجموعات الكبيرة من السيناريوهات لتحليل المخاطر على الممتلكات والبنية التحتية، وتحديد التأثيرات المترابطة على شبكات الطاقة والنقل، مما يُمكّن من اتخاذ قرارات استراتيجية قائمة على بيانات دقيقة. لبدء العمل، يمكن للمستخدمين استخدام Earth2Studio لتشغيل النموذج بسهولة، أو تدريب نموذج مخصص باستخدام PhysicsNeMo. هذه التقنية تمثل خطوة كبيرة نحو تحويل البيانات المناخية الخشنة إلى أدوات عملية لاتخاذ قرارات مبنية على المخاطر المناخية، وتعزيز المرونة في مواجهة التغير المناخي.