通过全球和区域耦合进行精确的公里级区域天气预报

数据驱动的天气模型已经推进了全球中期预测，但由于大尺度动态和小尺度过程（例如地形引起的环流和沿海效应）之间的多尺度相互作用尚未解决，高分辨率区域预测仍然具有挑战性。本文提出了一种用于公里级区域天气预报的全球-区域耦合框架，该框架通过新型双向耦合模块 ScaleMixer 将预训练的基于 Transformer 的全球模型与高分辨率区域网络协同耦合。 ScaleMixer 通过自适应关键位置采样动态识别气象关键区域，并通过专用注意机制实现跨尺度特征交互。该框架以 $0.05^\circ$ ($\sim 5 \mathrm{km}$ ) 和 1 小时分辨率对中国进行预测，在网格再分析数据和实时气象站观测方面均显着优于业务 NWP 和 AI 基线。它在捕捉地形风型和焚风变暖等细粒度现象方面表现出非凡的技能，展示了全球范围内有效的高分辨率保真度一致性。该代码可从 https://anonymous.4open.science/r/ScaleMixer-6B66 获取。