揭秘气候技术发展的关键平台Earth-2的核心—CorrDiff

在全球变暖背景下，NVIDIA Earth-2 已成为推动气候技术发展的关键平台。针对因气候变化而日益加重的灾难性极端天气影响，该平台能够生成可供执行的洞察。

Earth-2 能够让大气物理学或海洋动力学专家以外的人也能深入理解天气和气候。现在，借助先进技术就能够准确预测复杂多变的气候，进而指导企业、组织和国家预见到前所未有的极端天气风险以减弱其影响。

本系列文章聚焦专为 AI 模型训练和推理而设计的 NVIDIA Earth-2 工具套件，将重点介绍如何使用生成式 AI 降尺度。

“降尺度”与图像处理中的“超分辨率”概念类似，指需要将低分辨率的输入数据生成更高分辨率的数据或预测。接下来我们将探讨“降尺度”用于公里尺度（km-scale）天气预测的生成式 AI，包括从训练全球 AI 天气模型到推理和生成公里尺度预测的各个方面。

最后，本系列文章将重点介绍推动这场地球数字孪生变革的软件工具，助推生成式 AI 技术和 Earth-2 AI 工具的应用，以实现准确且具成本效益的天气预报。

 

公里尺度天气预报

满足对成本效益的需求

NVIDIA Earth-2 AI 技术的发展引发了气候模拟格局的巨大变化，获取天气和气候信息已经变得更加普及化。

Earth-2 将促进具有前瞻性的决策制定，指导企业、组织和国家探究假设情景，预测前所未有的天气状况，以助于产出具有可执行性的结果，内容涵盖政策制定、城市发展和基础设施规划。

为了准确预测即将发生的天气灾害，就需要在公里尺度分辨率上进行成本高昂的模拟。预测未来的气候灾害亦是如此。

如果使用传统的模拟方法来达到公里尺度，会使模型变得过于庞大、复杂且计算成本高昂。此外，天气和气候是本身就具有不确定性的混沌系统，需要大量预测数据（称为“集合”）来预测未来结果的发生概率。

模拟分辨率与集合规模不可兼得，这就限制了供规划参考的灾害采样范围。然而，随机 AI 降尺度模型提供了一个具有成本效益的解决方案。

作为 Earth-2 平台的核心，NVIDIA 提供了一种基于生成式 AI 和扩散模型的方法—— CorrDiff，该方法分为两步，用于对天气数据进行高保真降尺度处理。

利用 CorrDiff 预测精细尺度天气细节

CorrDiff 由 NVIDIA 前沿的研发技术团队开发，它引入了一种校正器扩散模型方法，有望重新定义公里尺度分辨率的天气预测。

作为 Earth-2 平台的核心，CorrDiff 利用生成式学习的强大功能，以前所未有的准确性和效率来应对预测极端天气现象精细尺度细节时所面临的挑战。

CorrDiff 方法能够有效地将生成式学习分隔成较短的长度尺度，从而熟练预测极端天气现象的精细尺度细节。例如，从初始的 25 公里预报分辨率精细至 2 公里分辨率。

关键的难题在于如何预测低分辨率预报中缺失的细节，使其更加准确和详细、接近更高分辨率的数据，并包含极端天气的连贯空间结构。

CorrDiff 的运行主要分为两个步骤。首先，回归模型预测高分辨率场的平均值。然后在第二步中，CorrDiff 通过添加初始预测中未捕捉到的缺失细节完善预测，从而使其更加符合现实情况。

最重要的是，由于这是一种生成式 AI 方法，CorrDiff 可以合成低分辨率输入数据中不存在的、新的高分辨率场。扩散模型固有的随机取样功能还能生成与单个低分辨率输入相对应的、多种可能的高分辨率状态，从而提供结果分布和不确定性度量。

CorrDiff 背后的理念是：相较于直接从头学习高分辨率细节，学习改进初始预测所需的修正更容易。通过将问题分解为回归和扩散两步骤，CorrDiff 可以有效利用低分辨率预报中的可用信息，生成更准确、更详细的高分辨率预测。

总之，CorrDiff 提供了一种提高天气预报分辨率、合成新变量和提供状态集合的实用方法。它通过利用现有的低分辨率数据和模型，能够为特定地区（后续内容中将以台湾为例展开介绍）生成更加详细、准确的预测。与传统方法相比，CorrDiff 的速度和能效都提升了几个数量级，其出色的效率更凸显了该方法的实用性。

CorrDiff 还能合成输入向量中可能不存在、但被假设为与输入相关的输出结果。这意味着拥有专有数据集的用户可以针对自己的用例训练出相当于 CorrDiff 的定制模型，从而提高 CorrDiff 在不同数据集和场景中的适用性和实用性。

审核编辑：刘清