地球系统模型是预测环境变化的重要工具，能够帮助我们更好地准备未来。然而，这些模型的计算需求极高，限制了它们在足够精细的分辨率下运行。目前，大多数模型的分辨率大约为100公里，相当于夏威夷的大小，这使得对特定区域的准确预测变得困难。然而，对于农业、水资源规划和灾害应对等实际应用而言，约10公里的城市规模预测是至关重要的。因此，提高这些模型的分辨率对于更好地保护社区和支持更有效的地方决策至关重要。
**AI 与物理建模的结合:动态生成下采样法 **
谷歌的研究人员推出了一种新方法，将传统的物理气候建模与生成 AI 相结合，以评估区域环境风险。该方法被称为 “动态生成下采样法”，利用扩散模型 —— 一种学习复杂模式的 AI，能够将广泛的全球气候预测转化为大约10公里分辨率的详细地方预测。这种方法不仅弥补了大规模模型与现实决策需求之间的差距，而且比现有的高分辨率技术更高效、更经济，适合广泛应用于当前日益增长的气候数据中。
**R2D2:提升准确性与效率的新方法 **
为了更好地理解细分分辨率（约10公里）下的局部环境变化，科学家通常使用一种叫做动态下采样的方法。该过程从全球气候模型提取广泛数据，并使用区域气候模型进行细化，类似于放大全球地图以观察更详细的信息。尽管这一技术能够考虑地形和区域天气模式，提供高度准确的地方预测，但其计算成本却非常高，使得在多个气候情境下广泛应用变得缓慢和昂贵。相比之下，简单的统计方法虽然更快，但往往无法有效建模极端事件或适应未来新条件。
为了解决这些挑战，研究人员引入了一种更加高效的方法，结合了物理模型与生成 AI 的优势。该两步过程首先使用物理模拟将全球数据下采样到中等分辨率，确保不同全球模型之间的一致性。然后，名为 R2D2的生成 AI 模型通过学习高分辨率示例，填补细节 —— 例如由地形影响的小规模天气特征。通过关注中等分辨率与高分辨率之间的差异，R2D2提高了准确性，并能够很好地推广到未见过的情景。这种组合方法使得在广泛的未来情境下能够更快速、经济、真实地预测地方气候。
** 显著的成果与未来应用 **
为了测试新方法，研究人员使用来自美国西部的一项高分辨率气候预测训练模型，并在其他七个预测上进行评估。与传统的统计方法相比，他们的 AI 驱动下采样模型在预测温度、湿度和风速等变量时，显著降低了40% 以上的误差。同时，该方法更准确地捕捉了复杂天气模式，如热浪与干旱的结合，或强风带来的野火风险。这一方法不仅提升了准确性与效率，还在使用的计算能力上，仅为传统高分辨率模拟所需的一小部分。
这一 AI 驱动的下采样新方法在让详细区域气候预测变得更加可及与经济上取得了重大突破。通过将传统物理建模与生成 AI 结合，该方法能够在城市规模（约10公里）上提供准确的气候风险评估，同时将计算成本降低高达85%。与受规模和成本限制的旧方法不同，这种技术能够高效处理大量气候预测，全面捕捉不确定性，并支持在农业、灾害应对、水资源管理和基础设施等领域的更智能规划。简而言之，它将复杂的全球数据转化为更快、更便宜、更准确的可操作地方洞见。
研究：https://research.google/blog/zooming-in-efficient-regional-environmental-risk-assessment-with-generative-ai/
