地球系統模型是預測環境變化的重要工具，能夠幫助我們更好地準備未來。然而，這些模型的計算需求極高，限制了它們在足夠精細的分辨率下運行。目前，大多數模型的分辨率大約為100公里，相當于夏威夷的大小，這使得對特定區域的準確預測變得困難。然而，對于農業、水資源規劃和災害應對等實際應用而言，約10公里的城市規模預測是至關重要的。因此，提高這些模型的分辨率對于更好地保護社區和支持更有效的地方決策至關重要。

　　**AI 與物理建模的結合:動態生成下采樣法 **

　　谷歌的研究人員推出了一種新方法，將傳統的物理氣候建模與生成 AI 相結合，以評估區域環境風險。該方法被稱為 “動態生成下采樣法”，利用擴散模型 —— 一種學習復雜模式的 AI，能夠將廣泛的全球氣候預測轉化為大約10公里分辨率的詳細地方預測。這種方法不僅彌補了大規模模型與現實決策需求之間的差距，而且比現有的高分辨率技術更高效、更經濟，適合廣泛應用于當前日益增長的氣候數據中。

　　**R2D2:提升準確性與效率的新方法 **

　　為了更好地理解細分分辨率(約10公里)下的局部環境變化，科學家通常使用一種叫做動態下采樣的方法。該過程從全球氣候模型提取廣泛數據，并使用區域氣候模型進行細化，類似于放大全球地圖以觀察更詳細的信息。盡管這一技術能夠考慮地形和區域天氣模式，提供高度準確的地方預測，但其計算成本卻非常高，使得在多個氣候情境下廣泛應用變得緩慢和昂貴。相比之下，簡單的統計方法雖然更快，但往往無法有效建模極端事件或適應未來新條件。

　　為了解決這些挑戰，研究人員引入了一種更加高效的方法，結合了物理模型與生成 AI 的優勢。該兩步過程首先使用物理模擬將全球數據下采樣到中等分辨率，確保不同全球模型之間的一致性。然后，名為 R2D2的生成 AI 模型通過學習高分辨率示例，填補細節 —— 例如由地形影響的小規模天氣特征。通過關注中等分辨率與高分辨率之間的差異，R2D2提高了準確性，并能夠很好地推廣到未見過的情景。這種組合方法使得在廣泛的未來情境下能夠更快速、經濟、真實地預測地方氣候。

　　** 顯著的成果與未來應用 **

　　為了測試新方法，研究人員使用來自美國西部的一項高分辨率氣候預測訓練模型，并在其他七個預測上進行評估。與傳統的統計方法相比，他們的 AI 驅動下采樣模型在預測溫度、濕度和風速等變量時，顯著降低了40% 以上的誤差。同時，該方法更準確地捕捉了復雜天氣模式，如熱浪與干旱的結合，或強風帶來的野火風險。這一方法不僅提升了準確性與效率，還在使用的計算能力上，僅為傳統高分辨率模擬所需的一小部分。

　　這一 AI 驅動的下采樣新方法在讓詳細區域氣候預測變得更加可及與經濟上取得了重大突破。通過將傳統物理建模與生成 AI 結合，該方法能夠在城市規模(約10公里)上提供準確的氣候風險評估，同時將計算成本降低高達85%。與受規模和成本限制的舊方法不同，這種技術能夠高效處理大量氣候預測，全面捕捉不確定性，并支持在農業、災害應對、水資源管理和基礎設施等領域的更智能規劃。簡而言之，它將復雜的全球數據轉化為更快、更便宜、更準確的可操作地方洞見。