8.5 气候与地球科学

地球系统是典型的「高维 + 昂贵 + 缺标签」：状态向量动辄上亿（三维大气 / 海洋网格，含温度、风场、湿度、位势等多层变量），传统数值天气预报（numerical weather prediction, NWP）要靠超算运行；而卫星、雷达、探空与再分析（reanalysis，把观测与模式融合生成的连续历史场）又提供了海量历史数据，天然适合数据驱动方法。

近年的公开工作（GraphCast、Pangu-Weather、FourCastNet、Aurora 一类）表明：用图神经网络或 Transformer 在再分析数据上训练，可以在推理速度上比传统数值模式快几个数量级（秒级出报 vs 分钟到小时级），同时在若干中短期指标上达到与业务模式可比的水平（具体指标与对照口径以各篇原始论文与官方评测为准，需核实）。这是 AI for Science 目前最成功的落地方向之一。

但这一节的写法必须避开两个陷阱：一是把「快」当成「准」，二是把「平均误差好看」当成「预报有用」。真实的气象预报业务关心的是多步 rollout 的误差累积、极端事件、与业务模式的同口径对照，以及训练分布之外的气候外推。这一节按「传统管线 → 数据驱动模型 → 误差累积与分布差异 → 评测口径 → 外推挑战」推进，并把每一项都落到可检查的指标上。

传统数值预报管线

8.5.1 从观测到预报：四段管线与各自的代价

传统数值预报管线的四段（数据驱动方法可以从哪一段切进来）

段	做什么	为什么贵	数据驱动可切入的位置
① 观测与资料同化（data assimilation）	把分布不均、带噪、不同时刻的观测融合成一个物理一致的初始状态（分析场）	需要求解一个巨大的变分优化问题（如四维变分），每次分析都要跑多次模式	用网络做快速同化 / 用网络订正观测偏差（混合路线）
② 动力核心（dynamical core）	在网格上离散求解大气运动方程（预报方程），做时间积分	高分辨率下时间步长受稳定性限制，算力随分辨率急剧增长	用代理模型替换部分算子（加速），或用数据驱动模型整体替代（替代）
③ 物理参数化（parameterization）	表达网格无法解析的过程：辐射、对流、云微物理、边界层湍流	参数化是经验物理，含大量近似与调参；也是模式误差的主要来源	用网络学参数化（学习子网格闭合），是混合路线最成熟的位置
④ 集合与后处理	用多个扰动初始场 / 多模式做集合预报，刻画不确定性；再做统计后处理	每个成员都要跑一整条管线，成本乘以成员数	用一次性前向生成大量成员（数据驱动模型推理便宜，见 8.5.3）

关键提醒：这条管线不是「物理 vs 学习」的二选一。第 ① 与第 ③ 段本身就是「用可用的物理经验近似未知过程」，与机器学习做的事情性质相同——区别只在于参数化用解析形式与经验系数，机器学习用可训练函数。

为什么「物理参数化」是理解混合路线的钥匙

一个分辨率 $0.25^\circ$ 的全球模式，其网格单元约 $25\ \text{km}$ 见方，而雷暴单体的尺度只有几公里、云滴更小。这些过程无法被网格解析，只能「用一个公式近似它对大尺度的影响」——这就是参数化。它的形式来自物理推理（例如对流上升、辐射传输），但其中的系数往往靠经验或拟合调定。

由此有两点直接推论：

参数化是模式误差的主要来源之一，因为它是「用粗网格变量近似细网格过程」，本质上是一个从大尺度量到次网格效应的映射——这正是监督学习擅长的形式（数据里的小尺度过程可以通过高分辨率模拟或观测统计得到）。
混合（hybrid）路线最自然的落点就是参数化：保留动力核心的物理守恒与可解释性，用网络替换或订正参数化方案，这就是「物理模式 + 学习成分」的典型形态（四个公开代表模型的做法对照）。

数据驱动模型

8.5.2 四个代表模型和它们与物理的关系

定义 8.5.1 · 数据驱动预报的任务形式

把大气状态写成场 $\boldsymbol s_t$ （多个变量 × 多个气压层 × 经纬网格），预报任务是学一个推进映射 $f_\theta:\ (\boldsymbol s_{t-\Delta},\ \boldsymbol s_{t})\ \mapsto\ \boldsymbol s_{t+\Delta},$ 然后用它自回归（autoregressive）地推进多步： $\hat{\boldsymbol s}_{t+k\Delta}=f_\theta^{k}\bigl(\boldsymbol s_{t-\Delta},\boldsymbol s_t\bigr),$ 其中 $k$ 步 rollout 意味着把 $f_\theta$ 反复调用 $k$ 次。训练目标通常是预报误差的加权平方 / 绝对误差（在再分析数据上），例如 $\mathcal L(\theta)=\sum_{k}\sum_{\text{变量 }v}\sum_{\text{层 }l}w_{v,l}\,\bigl\lVert \hat{\boldsymbol s}^{(v,l)}_{t+k\Delta}-\boldsymbol s^{(v,l)}_{t+k\Delta}\bigr\rVert ,$ 权重 $w_{v,l}$ 反映各变量 / 层的重要性与尺度差异（具体权重设计随工作而异）。

两个工程要点：① 输入用两个时刻（ $t$ 与 $t-\Delta$ ）而不是单帧，等于给网络一个「趋势」信息，弥补纯静态输入无法判断运动方向的问题；② 输出与输入同形状，因此可以立即喂回自己继续推——这正是误差累积的来源（8.5.3）。

四个公开代表模型的做法对照

模型	架构要点	训练数据	主要主张
GraphCast（2023，Science；预印本 arXiv:2212.12794）	图神经网络，把经纬网格建成多分辨率图；输入两个时刻，输出 6 小时后的全场	再分析数据（ERA5 类）	在多项中短期指标上达到或超过同期业务模式（以原文与官方评测为准，需核实）
Pangu-Weather（2023，Nature；预印本 arXiv:2211.02556）	三维 Earth-specific Transformer；为不同预报时效训练专用模型（不同步长的模型组合使用）	再分析数据	用较大的时间步长减少自回归步数，从而降低累积误差
FourCastNet（2022，arXiv:2202.11214）	自适应傅里叶神经算子（AFNO），把 8.4 的谱方法思路搬到预报	再分析数据	高分辨率、快速集合预报
Aurora（2025，Nature；预印本 arXiv:2405.13063）	三维 Swin Transformer 大模型，大规模预训练 + 针对任务微调（含开放权重）	多来源（大气、海浪、空气质量等）	「基础模型 + 微调」范式在多种地球系统任务上复用

共同点：都以再分析数据为主要训练源；都做自回归多步预报；都采用「场到场」的映射（形状保持不变），因此可以直接接在传统同化的输出上（初始场来自传统数值预报管线的四段的第 ① 段）。

为什么地球网格对图网络与 Transformer 友好

三个性质让这套数据「对现代架构友好」：

规则、稠密的网格：经纬网格是规则的（可用卷积 / 窗口注意力），转化到图之后每个节点邻居数可控；
强局部性与近似平移不变：大气演化以局地平流与波动传播为主，远距离影响通过中间区域逐步传递——这与卷积 / 局部注意力的归纳偏置高度匹配（第 3 讲的平移不变思想在这里再次成立）；
场量之间的物理耦合是稳定的：温度、风、湿度、位势之间的约束关系在时间与空间上都相当规律，网络可以从数据中学到（这比图像生成容易，因为映射的「物理文法」固定）。

但请注意：地球网格的一个技术细节会带来麻烦——极点附近经纬网格严重收敛（同样经度间隔对应的实际距离趋近于零）。图网络与窗口注意力在这类非均匀采样下需要专门处理（如多分辨率图、球面网格或特殊卷积核），这是这类模型工程上不可忽略的一环。

数据驱动模型与物理模式的三类关系

不要用「替代 vs 不被替代」的二分法讨论，实际有三种关系：

关系	做什么	优点	代价与风险	例子（公开方向）
替代（emulation / replacement）	用数据驱动模型整体替换「同化之后到预报」的全链路	推理极快、可大量生成集合成员；不依赖业务模式的代码栈	失去物理模式的守恒保证；外推与极端事件风险高；难以给出「为什么」的物理解释	GraphCast / Pangu-Weather 类端到端预报
混合（hybrid）	保留物理动力核心，用网络嵌在参数化 / 订正 / 同化环节	保留守恒与可解释的骨架，只用学习补足已知弱点	接口与训练更复杂；需要证明「学到的订正」在新气候态下仍成立	学参数化、学习偏差订正（模式输出统计后处理）
加速（acceleration）	用网络代理管线中的某个昂贵算子（如辐射传输、化学）	精度可测（局部算子比对容易）、风险受限（不改变整体骨架）	加速幅度受限于被替换算子占比（阿姆达尔定律式的约束）	用网络替代辐射 / 参数化的部分计算

判断建议：从加速开始（风险最小、收益可测），进入混合（需要更强的验证能力），只有在有充分的分布外与极端事件证据时才考虑替代——因为替代意味着把整条物理守则链交给一个纯数据模型。

8.5.3 多步误差累积与训练—推理分布差异

定义 8.5.2 · 自回归 rollout 与暴露偏差

训练时的输入若用真值（ $\boldsymbol s_{t-\Delta},\boldsymbol s_t$ 都来自数据），叫 teacher forcing；推理时必须用模型自己的输出当输入（ $\hat{\boldsymbol s}_{t+k\Delta}$ ），这条链就是 rollout。

两者的差别带来暴露偏差（exposure bias）：模型在训练时从未见过「含自己误差的输入」，而在推理时每一步的输入都带着累积误差，输入分布随步数逐渐偏离训练分布（这是一个典型的分布偏移 / train-test mismatch 问题）。

误差累积：记 $e_k=\hat{\boldsymbol s}_{t+k\Delta}-\boldsymbol s_{t+k\Delta}$ ，一阶传播为 $e_{k+1}\approx J_{\mathcal F}\,e_{k}+\delta_k,$ 其中 $J_{\mathcal F}$ 是单步映射的雅可比矩阵、 $\delta_k$ 是模型自身的单步误差。若 $\lVert J_{\mathcal F}\rVert\gt1$ （误差放大方向），误差被逐步放大；若 $\lt1$ ，误差被衰减。

为什么「喂真值训练、喂自己推理」是根本困难

把这件事想成一条「自我实现的回路」：

训练时，模型看到的是干净的（真值）历史，它的任务只是「从干净历史推下一步」，这比真实任务容易得多；
推理时，模型看到的是带瑕疵的历史（自己造的），而且瑕疵会改变输入的统计性质（例如过度平滑、能量偏少、小尺度结构缺失）。网络对这些「不自然」的输入没有训练经验，于是产生的误差往往比训练误差更具系统性（典型表现：预报随步数增加变得过于平滑、极端值被抹平）。

这解释了数据驱动预报最常见的失效形态：平均误差看起来温和，但方差（极值）系统性偏小、小尺度结构被过度平滑。对业务而言这恰恰是最要命的部分，因为预报的价值大量集中在极端事件上（8.5.4 的尾部讨论）。

缓解误差累积的五种做法（公开工作中常见的组合）

做法	机制	代价	注意点
多步 / rollout 训练	训练时也展开 $k$ 步、用自身预测当输入，直接优化多步误差	训练显存与时间随 $k$ 增长；梯度穿过自身预测易不稳（可截断）	训练目标要与评测口径一致（评测看 5 天就不该只训 1 步）
噪声注入	训练时往真值输入里加噪声，制造「不完美历史」	引入额外超参（噪声量级）	噪声的统计应与模型的误差分布可比（不然反而失真）
双时刻输入	输入 $t-\Delta$ 与 $t$ 两帧，提供趋势信息	无额外代价（多一路输入）	只能缓解「方向不清」，不能解决累积问题
多模型 / 多步长组合	为不同预报时效训练不同模型，用大时间步减少 rollout 次数	训练与维护成本上升	不同步长模型之间要保持一致，否则衔接处不连续
集合化	用多个扰动输入 / 随机模型生成成员，输出分布而非单点	推理成本 × 成员数（但相对数值模式仍便宜）	集合的离散度校准要检验（过小 → 低估风险）

共同目标只有一个：让推理时见到的输入分布，尽量接近训练时见到的分布。这也是 8.6 的外推三判据在预报任务上的具体化身。

例 8.5.1 · 手算误差放大与「误差翻倍时间」

设某预报模型的单步误差按一阶线性模型放大，放大因子 $\lVert J_{\mathcal F}\rVert=g$ 为常数、单步新增误差为 0（只看已有误差如何传播），初始误差 $e_0$ 。

写出 $k$ 步后的误差 $e_k$ ；
取 $g=1.05$ 、步长 $\Delta=6$ 小时，求误差翻倍所需步数与对应的预报时效；
取 $g=0.98$ 重复计算，并说明两种情形的实践含义（提示：这是「玩具放大率」，真实大气的误差增长随变量、尺度与天气形势变化，具体数值需核实）。

解

① 递推求解。 由 $e_{k+1}=g\,e_k$ 直接得 $e_k=g^{k}\,e_0 .$

② $g=1.05$ 的情形。 令 $g^k=2$ ，得 $k^\star=\frac{\ln 2}{\ln 1.05}\approx\frac{0.6931}{0.04879}\approx14.2\ \text{步}.$ 对应预报时效 $14.2\times6\ \text{h}\approx85\ \text{h}\approx3.5$ 天。也就是误差大约每 3.5 天翻一倍。参照：大气运动的可预报性上限通常被概括为两周左右（该量级的具体数字随变量与尺度差异很大，需核实），因此这个玩具放大率给出的「翻倍时间」与业务经验在同一量级，说明模型抓住了正确的机制。

③ $g=0.98$ 的情形。 $k^\star=\frac{\ln 2}{\ln 0.98}=\frac{0.6931}{-0.02020}\approx-34\ (\text{无解}) .$ 因为 $g\lt1$ 时 $e_k=g^ke_0$ 单调衰减：误差会以半衰期 $k_{1/2}=\ln 0.5/\ln 0.98\approx34$ 步（约 8.5 天）衰减到一半，永远不会翻倍。

④ 实践含义。 两种情形的差别不是「模型好坏」，而是动力学性质：

$g\gt1$ （误差放大）：预报存在可预报性上限——无论模型多准，超过某个时效后误差会增长到与气候态变率同量级，此时预报不再提供信息。所以「延长预报时效」这件事本身有物理上限，模型改进只能推迟到达上限的时间（例如把 $g$ 从 $1.05$ 降到 $1.02$ ，翻倍时间从 3.5 天拉到约 8.75 天： $0.6931/0.0198\approx35.0$ 步，每步 6 小时， $35\times6/24=8.75$ 天）。
$g\lt1$ （误差衰减）：系统在该尺度上是耗散 / 稳定的，误差自然被抹掉。如果观测到「误差不增长」，先确认它不是因为模型过度平滑（把预报都变成气候平均，误差自然不会增长，但这样的预报毫无价值）。 $\blacksquare$

∎

例 8.5.2 · 诊断训练—推理分布差异

某数据驱动预报模型报告单步（6 小时）RMSE 很低，但业务试用后被指出「5 天后预报过于平滑、极端值偏小」。请设计一个三步诊断实验，区分下列三种可能原因：① 训练不足 / 模型容量不够；② 暴露偏差（推理输入分布偏移）；③ 损失函数与评测口径不一致（如只训单步、权重偏向平均误差）。

解

第 ① 步：把误差分解到不同步数与不同统计量上。 对同一批初始场，同时测：

逐时效 RMSE（1、3、5、7、10 天）——看误差随步数的增长曲线（例 8.5.1 的放大率）；
方差 / 极值指标：预报场的方差与观测（分析场）方差之比、分位数（如第 99 百分位）对比、以及功率谱（小尺度能量是否被抹掉）。判据：若 1 天误差已偏高 → 更可能是 ①；若 1 天尚可但方差随步数迅速收缩、谱在小尺度系统性偏低 → 指向 ② 或 ③。

第 ② 步：teacher forcing 与 free running 对照（关键实验）。 用同一批初始场跑两个模式：

A：teacher forcing 推理——每一步都把真值喂回输入（只推一步，然后重置输入）；
B：free running 推理——正常 rollout，喂自己的输出。

若 A 的误差显著低于 B（差距随步数扩大），就直接证明了暴露偏差的存在（②）。若 A 与 B 都差，则问题在模型本身或训练目标（①③）。

第 ③ 步：一致性检查（损失 vs 评测）。 检查训练损失的形式：若训练只在单步上做平均误差最小化，则模型的「最优策略」本来就是给出条件均值——条件均值必然是平滑的、极值偏小的（这是统计事实，不是 bug）。此时应当：

把训练目标改为多步 rollout 损失（与评测时效一致）；
引入分布型损失或对抗 / 扩散式建模（在需要刻画极值与不确定性时）；
或至少报告「均值型指标 + 分布型指标」两套，不以 RMSE 单独作为验收。

结论判定表：

观察	最可能原因	处置
A 与 B 都差、1 天误差已高	① 训练不足 / 容量不够	加数据、加容量、检查数据质量与预处理
A 明显优于 B、差距随步数扩大	② 暴露偏差	rollout 训练、噪声注入、双时刻输入（缓解误差累积的五种做法）
A 与 B 接近，但方差与极值系统性偏低	③ 损失与口径不一致	改多步损失、引入分布型目标、双口径报告

注意这三类原因可以叠加，诊断的意义在于确定优先级，而不是找唯一元凶。 $\blacksquare$

∎

8.5.4 评测口径：RMSE、ACC 与业务对照

定义 8.5.3 · RMSE 与异常相关系数

RMSE（加权均方根误差）：把预报 $f_i$ 与真值（通常是分析场） $o_i$ 在各格点 / 变量 / 层次上逐点比较，带面积或质量权重 $w_i$ ： $\mathrm{RMSE}=\sqrt{\frac{\sum_i w_i\,(f_i-o_i)^2}{\sum_i w_i}} .$

ACC（异常相关系数，anomaly correlation coefficient）：先减去气候态（该地点、该日期、该层次的气候平均值 $\bar c_i$ ）得到「异常」，再算预报异常与分析异常的相关系数： $\mathrm{ACC}=\frac{\sum_i w_i\,(f_i-\bar c_i)\,(o_i-\bar c_i)}{\sqrt{\sum_i w_i\,(f_i-\bar c_i)^2}\ \sqrt{\sum_i w_i\,(o_i-\bar c_i)^2}} .$ 两点必须记住：① ACC 是尺度不变量——把整个预报场乘一个常数，ACC 不变；② RMSE 是尺度敏感的——它同时惩罚「方向错」与「幅度错」。

RMSE 与 ACC 各自在说什么

把预报误差分成两类：位置 / 形态误差（把脊线放错地方）与幅度误差（强度偏弱 20%）。

ACC 只对前者敏感：它衡量「异常的空间形态是否一致」。一个预报只要形态对，即使整体偏弱一半，ACC 仍可以很高。
RMSE 对两者都敏感：强度偏差直接进入分母。所以 RMSE 是「业务上更贴近后果」的指标（风场偏弱 20% 对发电、航运调度影响巨大），而 ACC 更多用于诊断模式是否抓住形势。

业务报告惯例是并列给出两者（以及不同预报时效上的曲线），并且必须说明对照对象：同一个模型与「气候态」对照、与「持续性预报（persistence）」对照、与「业务模式」对照，会得到完全不同的结论。与业务模式对照时，通行做法是在同一初始场（同一分析场）、同一预报时效、同一变量与层次、同一评分定义下比较（本节把这条写成硬性要求）。

例 8.5.3 · 手算一次 ACC 与 RMSE，看清两者的分歧

考虑一个极简的 4 格点、单变量、单层次的情形（气候态取全 0，简化为「异常即原值」）：

分析 / 真值异常： $o=(2,\ 1,\ -1,\ 0)$
预报 A： $f_A=(1.8,\ 0.9,\ -1.1,\ 0.1)$ （形态接近、幅度略小）
预报 B： $f_B=(2.4,\ 1.2,\ -1.2,\ 0.0)$ （形态完全一致但幅度放大 20%，即 $f_B=1.2\,o$ ）

等权（ $w_i=1$ ），请分别计算 ACC 与 RMSE，并解释结果的实践含义。

解

基本量。 $\sum_i o_i^2=4+1+1+0=6$ ， $\sqrt{\sum o_i^2}=\sqrt6\approx2.449$ 。

预报 A。 $\sum_i o_if_{A,i}=(2)(1.8)+(1)(0.9)+(-1)(-1.1)+(0)(0.1)=3.6+0.9+1.1=5.6,$ $\sum_i f_{A,i}^2=1.8^2+0.9^2+1.1^2+0.1^2=3.24+0.81+1.21+0.01=5.27,\qquad \sqrt{5.27}\approx2.296,$ $\mathrm{ACC}_A=\frac{5.6}{2.449\times2.296}=\frac{5.6}{5.623}\approx0.996 .$ 误差平方和： $(2-1.8)^2+(1-0.9)^2+(-1+1.1)^2+(0-0.1)^2=0.04+0.01+0.01+0.01=0.07$ ， $\mathrm{RMSE}_A=\sqrt{0.07/4}=\sqrt{0.0175}\approx0.13 .$

预报 B（ $f_B=1.2\,o$ ）。 $\sum_i o_if_{B,i}=1.2\sum_i o_i^2=1.2\times6=7.2,\qquad \sqrt{\sum_i f_{B,i}^2}=\sqrt{1.44\times6}=1.2\sqrt6\approx2.939,$ $\mathrm{ACC}_B=\frac{7.2}{2.449\times2.939}=\frac{7.2}{7.197}\approx1.000 .$ 误差平方和： $(0.4)^2+(0.2)^2+(0.2)^2+0^2=0.16+0.04+0.04=0.24$ ， $\mathrm{RMSE}_B=\sqrt{0.24/4}=\sqrt{0.06}\approx0.245 .$

结果与含义。 B 的 ACC 更完美（1.000 > 0.996），但 RMSE 几乎差一倍（0.245 vs 0.130）：

预报	ACC	RMSE	读法
A	0.996	0.13	形态略偏、幅度接近真值 → 日常使用更可靠
B	1.000	0.25	形态完美、幅度放大 20% → 「形势对但强度错」

结论：单看 ACC 会得出「B 更好」的错误结论；单看 RMSE 会忽略「形态是否抓对」。两个指标必须并列，并且要写明业务关心的到底是形态还是幅度。 这也是为什么这一节反复强调「评测口径要写清」——指标不是中立的，它内嵌了对「什么算好」的定义。 $\blacksquare$

∎

指标 → 衡量什么 → 会怎么骗人（评测清单）

指标 / 做法	衡量什么	会怎么骗人	必须配什么
RMSE（同层次 / 变量 / 时效）	幅度 + 形态的综合误差	被大尺度、大振幅变量主导；对稀疏但重要的极端区域不敏感	分层 / 分变量报告；与 ACC 并列
ACC	异常的空间形态一致性	尺度不变 → 强度系统性偏弱也能得高分；对局地细节不敏感	一起报告偏差（bias）与方差比
单步误差	一步预测精度	与多步表现可以几乎无关（例 8.5.2）	逐时效误差曲线 + 多步 rollout 指标
平均指标	整体表现	掩盖尾部：极端事件可能极差而平均值良好	极端事件专项指标（见下）
极端事件指标	尾部与灾害相关表现	样本极少 → 方差大、结论不稳；阈值选择影响结论	明确事件定义（阈值 / 区域 / 时段）、给样本数与置信区间
集合离散度	不确定性刻画是否合理	离散度过小 → 低估风险；过大 → 预报无用	可靠性图 / 排序直方图 + 覆盖率检验
与业务模式对照	相对水平	初始场、口径、时效、版本不同 → 不可比	同初始场、同口径、同期、注明模式版本

一句话：没有「哪个指标最好」，只有「这套指标是否覆盖了你关心的后果」。 气象预报的后果集中在极端事件与长时效，因此这两块必须单列指标，不能藏在平均值里。

8.5.5 外推挑战：非平稳气候、极端事件与下尺度

为什么气候外推比天气预报更难

天气预报在形式上是「外推未来」，但它有一个隐含的稳定条件：统计规律与物理常数在预报时效内近似不变（几周内温室气体浓度、海温格局的缓慢变化可以当常数）。气候问题没有这个条件：

训练分布本身在漂移：温室气体浓度、冰盖范围、海温格局在几十年尺度上持续变化，训练数据（历史再分析）覆盖的是一个正在移动的分布。一个在历史气候上表现良好的模型，可能在未来气候态上失效——这不是模型「过拟合」，而是任务本身非平稳。
没有可对照的「真值未来」：要评估模型在 2050 年气候上的表现，要么等，要么用气候模式模拟产生的未来场景作为代理真值（但那些模拟本身有模型误差）。
极端事件是尾部：最需要准确的部分（热浪、极端降水、强台风）在训练数据中出现次数最少，统计上最难学好（8.6 的外推判据正是为这类问题准备的）。

可操作的做法：① 用「过去某个时段训练、后续时段测试」的时间外推协议而不是随机切分（这条是气候 ML 的常规要求）；② 明确报告模型在统计变化趋势上的表现（例如预测的全球平均升温趋势是否正确）；③ 把「模型输出的未来场景」当作条件于假设的推演，其可信度取决于它是否复现了已知物理约束（守恒、能量平衡）。

下尺度：与超分辨率同源，但更苛刻

下尺度（downscaling）把粗网格预报（如 $25\ \text{km}$ ）细化到局地尺度（如 $1\ \text{km}$ ），思想上与第 3 讲的超分辨率同源：都是从低分辨率输入生成高分辨率细节。但它比图像超分辨率苛刻，原因有二：

极值主导价值：图像超分辨率错一点纹理无伤大雅；下尺度如果抹平了局地暴雨的峰值，预报就失去了主要价值。而极值恰恰是训练数据里最少的部分（这是典型的长尾问题）。
一致性要求：细化后的场必须与粗网格场物理一致（质量、能量、水汽收支不能凭空改变），否则下游的水文、能源模型会得到自相矛盾的输入。纯图像式的超分辨率损失（像素级 L1/L2 或对抗损失）不保证这一点。

因此下尺度任务的评测必须包含：极值指标（分位数、超阈值频率）、收支一致性检查、以及在未参与训练的地形 / 气候区上的泛化测试（这条与气候非平稳是同一种担忧）。

本节的六个常见误解

「秒级出报 = 预报更准」：推理速度与预报精度是两件事。数据驱动模型的优势首先在速度与集合规模（一次前向很便宜，可生成大量成员）；精度必须在同一初始场、同一口径下与业务模式逐时效对照（指标 → 衡量什么 → 会怎么骗人）。
「平均 RMSE 更好就说明模型更好」：平均值会掩盖尾部。极端事件、爆发性系统、快速加强的台风恰恰是最有价值也最容易失败的部分，必须单列指标与样本计数。
「单步误差小就等于多步可用」：训练—推理分布差异（定义 8.5.2）会让多步表现显著劣于单步；评测必须做 rollout（例 8.5.2 的第 ② 步）。
「数据驱动模型学到的是物理定律」：它学到的是在训练分布内的统计映射。地图、场量与耦合关系可能被很好地拟合，但这不等于掌握了动力学机制（8.6 会给出三条区分判据）。在气候非平稳的场景下，这个区别有实际后果。
「有了 AI 就不需要资料同化」：初始场的质量决定预报上限，而同化是把不规则、带噪、异步观测变成物理一致初值的过程。目前数据驱动模型多数直接消费同化产物（分析场），因此同化仍是管线中最关键的一环（传统数值预报管线的四段第 ① 段）。
「集合预报只是多跑几次」：集合的意义在于校准的不确定性（离散度与误差匹配）。若成员之间几乎相同（离散度过小），或成员差异与真实误差不匹配，集合就会系统性低估风险——这比单点预报的误导性更强，因为它看起来「有不确定性」。

即时自测 · 8.5

Q1 写出数据驱动预报的推进映射与 $k$ 步 rollout 的定义，并说明为什么训练时通常输入两个时刻而不是一帧。

Q2 误差放大因子 $g=1.02$ 、步长 6 小时，误差翻倍需要多少步、对应多少天？把它与 $g=1.05$ 的情形（例 8.5.1）比较，说明「把 $g$ 从 1.05 降到 1.02」在业务上意味着什么。

Q3 某模型报告「与业务模式相比，全球平均 RMSE 低 5%」。请写出三条你必须追问的问题，把「它真的更好」与「口径造出的好看」区分开。

参考要点

Q1 推进映射： $f_\theta:(\boldsymbol s_{t-\Delta},\boldsymbol s_t)\mapsto\boldsymbol s_{t+\Delta}$ ； $k$ 步 rollout： $\hat{\boldsymbol s}_{t+k\Delta}=f_\theta^{k}(\boldsymbol s_{t-\Delta},\boldsymbol s_t)$ （把 $f_\theta$ 反复应用 $k$ 次，每一步的输入从前一步的输出取）。输入两帧是为了提供趋势 / 运动方向信息：单帧静态场里「正在加深的低压」与「正在减弱的低压」看起来无法区分，而两帧之差给出了这一信息（这属于工程惯例，具体做法随工作而异）。

Q2 $k^\star=\ln 2/\ln 1.02\approx0.6931/0.01980\approx35.0$ 步， $35\times6\ \text{h}=210\ \text{h}\approx8.75$ 天。对比 $g=1.05$ 时约 3.5 天。含义：误差翻倍时间延长了约 2.5 倍，等价于「在同样的误差容限下多获得若干天可用预报」——这是业务上非常有价值的改进（但要注意：该放大率是玩具模型，真实误差增长与变量、尺度、天气形势有关，且模型改进往往同时改变单步误差 $\delta_k$ ，两者需要分开报告）。

Q3 ① 对照口径：与业务模式是否用同一初始场（分析场）、同一预报时效、同一变量与层次、同一评分定义、同一版本？不同版本的 IFS / 模式升级会显著改变数字。② 时空范围与分层：是「全球平均」还是分区域 / 分纬度带 / 分气压层？全球平均的改善常常由数据密集、变率小的区域主导；对流活跃区、极区、以及高影响天气区的表现需要单列。③ 尾部与多步：极端事件的专项指标如何？逐时效（1/3/5/7/10 天）曲线是否单调占优，还是仅在个别时效上领先？有没有做时间外推（不同年份训练 / 测试）而非随机切分？若三问都能给出同口径证据，才有资格说「更好」。

Keyboard shortcuts

深度学习导论 · 定制教程