从全球到本地：利用全球天气基础模型有效降尺度区域天气

准确的区域天气预报需要解决精细尺度结构，同时与全球动态保持一致。传统的有限区域模型依赖于计算成本高昂的模拟，而许多基于学习的方法将问题描述为超分辨率，忽略了跨尺度的统计和物理不匹配。我们提出了一个基础模型驱动的降尺度框架，通过直接在其潜在空间中运行的轻量级、多尺度预测头来增强预训练的天气模型主干，从而学习全球预测的区域细化。尽管是在更粗糙的输入上进行训练的，但预训练的骨干网络支持在与网格单元分辨率增加两个数量级相对应的分辨率下进行区域适应，而无需重新训练。所提出的方法使用区域数值模拟作为训练目标，不仅根据网格数据集进行评估，还根据地面气象站观测进行评估，从而能够分析全球再分析、区域模拟和现场气象站观测之间的系统偏差。我们的实验表明，与 NWP 相比，大多数指标的准确性得到了提高，而计算成本却减少了一小部分。此外，我们观察到，建立在全球预先训练的天气基础模型的潜在空间上，比标准的基于图像的超分辨率方法提供了更好的缩小能力。