Apeliotes：基于扩散的公里级多级大气场建模框架

需要高分辨率大气数据来解析中尺度和局部气象结构，但此类数据集在世界许多地区仍然有限。现有的高分辨率天气产品通常是通过动态降尺度产生的，这种方法的计算成本很高，并且难以跨位置、变量和预测场景进行扩展。这些限制激发了基于机器学习的降尺度系统，该系统可以随机生成多个天气变量，同时直接生成新的高分辨率场。在本文中，我们提出了 Apeliotes，一个高分辨率天气预报框架。 Apeliotes建立在全球再分析大气数据、预先训练的全球天气基础模型和区域训练的生成扩散模型的基础上，不仅提供精确的公里级天气变量，而且还提供现有全球大气数据中无法直接获得的多层次大气场。我们的综合评估表明 Apeliotes 取得了极具竞争力的表现。该模型预测垂直风廓线的真实值与预测值之间的误差小于 3%，10 米风速的相关性为 0.91，2 米温度的相关性为 0.99，NRMSE 值分别为 0.42 和 0.17。