利用NVIDIA Earth-2实现粗分辨率气候预测中的本地细节提取 全球气候模型擅长描绘大尺度趋势，但在捕捉局部极端天气（如飓风、台风）方面存在局限。这些细节并非不存在，而是隐藏在低分辨率数据中，需要借助先进工具才能释放其价值。NVIDIA Earth-2平台提供了一套完整解决方案，通过AI驱动的降尺度技术，将粗分辨率气候预测转化为高分辨率、偏差校正后的数据，揭示原始数据中无法分辨的本地气候特征。 传统气候风险评估依赖高分辨率数据，但直接运行全球模型至精细尺度计算成本极高。CMIP6作为目前最广泛使用的全球气候预测数据集，支撑了IPCC报告和各类风险模型，但其约2.8°的分辨率难以捕捉短时强天气事件。同时，样本数量有限也导致极端事件被遗漏，影响尾部风险评估的可靠性。而ERA5等再分析数据虽具备高分辨率，但与CMIP6在网格、时间步长和变量定义上存在差异，形成“数据鸿沟”。 NVIDIA Earth-2中的CorrDiff模型正是为解决这一问题而生。它采用生成式降尺度方法，将CMIP6的粗分辨率输出转化为接近ERA5的高分辨率场。该模型由两部分构成：回归模型预测条件均值，扩散模型则学习回归结果与真实观测之间的残差，从而还原真实世界的精细结构。CorrDiff可同时完成空间与时间降尺度、偏差校正和变量合成，训练目标是将有偏差的气候模型输出映射到以观测为基础的再分析数据（如ERA5）。 本指南以CanESM5的同化历史模拟数据为输入（分辨率约2.8°，每日输出），以ERA5为高分辨率目标（0.25°，每小时输出），构建训练数据集。输入包含表面变量（温度、湿度、风速、降水等）和气压层变量（如温度、风场、位势高度），并加入时间、地理等上下文通道（如经纬度正弦余弦编码、距海距离、地形高度等），以增强模型对时空模式的理解。所有数据经预处理后统一至ERA5网格，最终形成包含231个通道的输入数据。 训练流程包括五个步骤：数据加载、模型配置、回归模型训练、回归评估和扩散模型训练。整个过程需数十至数千GPU小时，具体取决于数据规模。训练完成后，可通过Earth2Studio工具包轻松执行推理。例如，对CanESM5 SSP585情景下2037年9月6日的数据进行降尺度，结果显示：原始CMIP6数据中无法识别的加勒比海飓风和西太平洋台风，在CorrDiff输出中清晰显现。 定量评估表明，CorrDiff在近地面气温（T2m）和风速（U10m、V10m）上的均方误差（RMSE）和平均绝对误差（MAE）显著优于双线性插值基准。T2m偏差从接近1K降至-0.11K。此外，CorrDiff还能从单一输入生成8成员的合理不确定性集合，通过CRPS等指标验证其概率预测能力，为尾部风险分析提供支持。 模型在历史期表现优异，且在SSP585未来情景下仍保持稳定修正趋势，说明其偏差校正能力具备一定的外推潜力。但需注意，模型未在真实未来气候数据上训练，长期外推仍需谨慎，建议结合滚动交叉验证等方法评估可靠性。 目前，S&P Global Energy已将CorrDiff用于构建大规模气候情景集，支持资产组合级的气候风险评估，实现对极端事件、系统性中断和供应链压力的量化分析。该技术正推动气候风险从“感知”走向“行动”，助力机构提升韧性。 如需上手，可使用Earth2Studio加载预训练CorrDiff模型，对CMIP6数据进行降尺度推理；或基于PhysicsNeMo框架训练自定义模型，适配特定区域或变量需求。通过NVIDIA Deep Learning Institute提供的在线课程，可快速掌握AI气象建模全流程。