在全球變暖背景下，NVIDIA Earth-2 已成為推動氣候技術(shù)發(fā)展的關(guān)鍵平臺。針對因氣候變化而日益加重的災(zāi)難性極端天氣影響，該平臺能夠生成可供執(zhí)行的洞察。

Earth-2 能夠讓大氣物理學或海洋動力學專家以外的人也能深入理解天氣和氣候?，F(xiàn)在，借助先進技術(shù)就能夠準確預測復雜多變的氣候，進而指導企業(yè)、組織和國家預見到前所未有的極端天氣風險以減弱其影響。

本系列文章聚焦專為 AI 模型訓練和推理而設(shè)計的 NVIDIA Earth-2 工具套件，將重點介紹如何使用生成式 AI 降尺度。

“降尺度”與圖像處理中的“超分辨率”概念類似，指需要將低分辨率的輸入數(shù)據(jù)生成更高分辨率的數(shù)據(jù)或預測。接下來我們將探討“降尺度”用于公里尺度（km-scale）天氣預測的生成式 AI，包括從訓練全球 AI 天氣模型到推理和生成公里尺度預測的各個方面。

最后，本系列文章將重點介紹推動這場地球數(shù)字孿生變革的軟件工具，助推生成式 AI 技術(shù)和 Earth-2 AI 工具的應(yīng)用，以實現(xiàn)準確且具成本效益的天氣預報。

公里尺度天氣預報

滿足對成本效益的需求

NVIDIA Earth-2 AI 技術(shù)的發(fā)展引發(fā)了氣候模擬格局的巨大變化，獲取天氣和氣候信息已經(jīng)變得更加普及化。

Earth-2 將促進具有前瞻性的決策制定，指導企業(yè)、組織和國家探究假設(shè)情景，預測前所未有的天氣狀況，以助于產(chǎn)出具有可執(zhí)行性的結(jié)果，內(nèi)容涵蓋政策制定、城市發(fā)展和基礎(chǔ)設(shè)施規(guī)劃。

為了準確預測即將發(fā)生的天氣災(zāi)害，就需要在公里尺度分辨率上進行成本高昂的模擬。預測未來的氣候災(zāi)害亦是如此。

如果使用傳統(tǒng)的模擬方法來達到公里尺度，會使模型變得過于龐大、復雜且計算成本高昂。此外，天氣和氣候是本身就具有不確定性的混沌系統(tǒng)，需要大量預測數(shù)據(jù)（稱為“集合”）來預測未來結(jié)果的發(fā)生概率。

模擬分辨率與集合規(guī)模不可兼得，這就限制了供規(guī)劃參考的災(zāi)害采樣范圍。然而，隨機 AI 降尺度模型提供了一個具有成本效益的解決方案。

作為 Earth-2 平臺的核心，NVIDIA 提供了一種基于生成式 AI 和擴散模型的方法—— CorrDiff，該方法分為兩步，用于對天氣數(shù)據(jù)進行高保真降尺度處理。

利用 CorrDiff 預測精細尺度天氣細節(jié)

CorrDiff 由 NVIDIA 前沿的研發(fā)技術(shù)團隊開發(fā)，它引入了一種校正器擴散模型方法，有望重新定義公里尺度分辨率的天氣預測。

作為 Earth-2 平臺的核心，CorrDiff 利用生成式學習的強大功能，以前所未有的準確性和效率來應(yīng)對預測極端天氣現(xiàn)象精細尺度細節(jié)時所面臨的挑戰(zhàn)。

CorrDiff 方法能夠有效地將生成式學習分隔成較短的長度尺度，從而熟練預測極端天氣現(xiàn)象的精細尺度細節(jié)。例如，從初始的 25 公里預報分辨率精細至 2 公里分辨率。

關(guān)鍵的難題在于如何預測低分辨率預報中缺失的細節(jié)，使其更加準確和詳細、接近更高分辨率的數(shù)據(jù)，并包含極端天氣的連貫空間結(jié)構(gòu)。

CorrDiff 的運行主要分為兩個步驟。首先，回歸模型預測高分辨率場的平均值。然后在第二步中，CorrDiff 通過添加初始預測中未捕捉到的缺失細節(jié)完善預測，從而使其更加符合現(xiàn)實情況。

最重要的是，由于這是一種生成式 AI 方法，CorrDiff 可以合成低分辨率輸入數(shù)據(jù)中不存在的、新的高分辨率場。擴散模型固有的隨機取樣功能還能生成與單個低分辨率輸入相對應(yīng)的、多種可能的高分辨率狀態(tài)，從而提供結(jié)果分布和不確定性度量。

CorrDiff 背后的理念是：相較于直接從頭學習高分辨率細節(jié)，學習改進初始預測所需的修正更容易。通過將問題分解為回歸和擴散兩步驟，CorrDiff 可以有效利用低分辨率預報中的可用信息，生成更準確、更詳細的高分辨率預測。

總之，CorrDiff 提供了一種提高天氣預報分辨率、合成新變量和提供狀態(tài)集合的實用方法。它通過利用現(xiàn)有的低分辨率數(shù)據(jù)和模型，能夠為特定地區(qū)（后續(xù)內(nèi)容中將以臺灣為例展開介紹）生成更加詳細、準確的預測。與傳統(tǒng)方法相比，CorrDiff 的速度和能效都提升了幾個數(shù)量級，其出色的效率更凸顯了該方法的實用性。

CorrDiff 還能合成輸入向量中可能不存在、但被假設(shè)為與輸入相關(guān)的輸出結(jié)果。這意味著擁有專有數(shù)據(jù)集的用戶可以針對自己的用例訓練出相當于 CorrDiff 的定制模型，從而提高 CorrDiff 在不同數(shù)據(jù)集和場景中的適用性和實用性。

審核編輯：劉清