扩散模型引导气候模拟，精准预测极端高温分布

气候风险评估需要可靠的日温度分布预测，尤其是罕见且空间广泛的极端事件。传统气候模拟计算成本高昂且存在偏差，而用观测数据直接校正又可能掩盖模型间的差异。一项新研究通过训练一个条件扩散模型作为机器学习模拟器，在十七个CMIP6模型和ERA5再分析数据上学习，生成以模型身份、日期和CO2当量浓度为条件的空间连贯日温度场。在采样时，扩散引导将每个模拟的气候模型分布转向观测，其强度通过完美模型实验选择。观测影响随预测期和强迫增加而减弱。在十七个合成目标上，引导将日温度第1和第99百分位的中位偏差减半以上，改善概率评分和可靠性，并在三种排放情景下将全球平均温度RMSE中位数降低32-57%。在详细基准测试中，引导在日场概率评分上也优于现有偏差校正方法。高效采样无需进一步气候模拟即可生成大集合。例如，该框架纠正了CMIP6对极端高温覆盖范围约三倍的历史高估，但预测在SSP3-7.0下，到2080年代典型一天中同时发生的极端事件将影响近一半全球陆地。

气候模拟的挑战与机器学习破局

气候风险评估依赖于对日温度分布的准确预测，特别是那些罕见但影响广泛的极端事件。然而，传统的气候模拟计算成本极高，且存在系统性偏差。直接使用观测数据校正模拟结果虽然能减少偏差，但可能抑制模型间的差异，从而影响对不确定性的评估。这项研究提出了一种基于条件扩散模型的机器学习模拟器，旨在生成空间连贯的日温度场，同时保留模型间的多样性。

该模型在十七个CMIP6模型和ERA5再分析数据上进行训练，条件包括模型身份、日期和CO2当量浓度。通过扩散引导，在采样时可以将模拟分布转向观测，从而减少偏差。引导强度通过完美模型实验选择，使用预留的模拟未来数据。研究发现，观测影响随预测期和强迫增加而减弱，这符合物理直觉。

CMIP6（耦合模式比较计划第六阶段）是全球气候研究界协调多模式模拟的核心框架，汇集了来自数十个机构的数十个地球系统模型。每个模型在物理参数化、分辨率、云微物理和对气溶胶的处理上各有不同，因此同一排放情景下各模型的输出存在结构性差异。这种模式间差异是气候预测不确定性的主要来源之一，也是集合方法（多模型平均或加权）的基础。CMIP6数据是IPCC第六次评估报告的核心依据，但其原始输出在区域和日尺度上常存在显著偏差，需要通过降尺度或偏差校正才能用于影响评估。

ERA5是欧洲中期天气预报中心（ECMWF）发布的第五代全球大气再分析数据集，通过将数值天气预报模型与海量历史观测（卫星、探空、地面站等）进行数据同化，生成自1940年至今、逐小时、约31公里分辨率的全球三维大气场。再分析资料并非纯观测，而是模型与观测的融合产物，但在日温度和环流变量上通常被视为最可靠的“观测替身”，广泛用于气候模型评估与偏差校正的训练目标。

条件扩散模型是一类生成式模型，其核心思想是通过逐步去噪过程从高斯噪声中恢复数据分布，并可在每一步以附加信息（如模型身份、日期、CO2浓度）为条件控制生成结果。与GAN相比，扩散模型训练更稳定、模式覆盖更完整，尤其适合生成高维空间场。扩散引导（diffusion guidance）是在采样阶段向去噪网络注入额外梯度或偏置，使生成样本向某个目标分布（此处为观测）靠拢，而无需重新训练模型。引导强度是一个关键超参数：过强会抹平模型间差异、退化为观测复制，过弱则偏差校正不足，因此研究用完美模型实验来标定。

偏差校正与概率评分提升

在十七个合成目标上的测试表明，引导将日温度第1和第99百分位的中位偏差减半以上，同时改善了概率评分和可靠性。具体来说，在三种排放情景下，全球平均温度RMSE中位数降低了32-57%。在详细的基准测试中，引导在日场概率评分上也优于现有的偏差校正方法。这说明该方法不仅能减少偏差，还能提高预测的可靠性。

高效采样使得无需进一步气候模拟即可生成大集合，这对于风险评估至关重要。例如，该框架纠正了CMIP6对极端高温覆盖范围约三倍的历史高估，但预测在SSP3-7.0情景下，到2080年代典型一天中同时发生的极端事件将影响近一半全球陆地。这一预测凸显了未来极端高温的严重性。

概率评分（如连续排名概率评分CRPS、对数评分等）衡量的是预测分布与观测实际值之间的吻合程度，不仅惩罚均值偏差，还惩罚集合离散度不足或过度自信。可靠性（reliability）则指预测概率与观测频率是否一致：若模型给出70%的极端事件概率，则此类事件应在大约70%的样本中发生。与传统的分位数映射等单变量偏差校正不同，这些评分在空间场上评估时能同时检验空间相关结构和事件同步性，因此更能反映方法对极端热浪覆盖范围的校正能力。

未来极端高温的预测与启示

该研究不仅提供了一种有效的偏差校正方法，还揭示了未来极端高温的潜在影响。通过扩散引导，模型能够更准确地预测极端事件的时空分布，为气候适应和风险评估提供科学依据。尽管该方法在合成目标上表现优异，但其在实际应用中的效果仍需进一步验证。此外，观测影响随预测期减弱的现象也提示，在长期预测中模型不确定性可能占主导。

总的来说，这项研究展示了机器学习在气候模拟中的潜力，特别是在减少偏差和生成大集合方面。未来，随着更多观测数据的积累和模型改进，这种方法有望成为气候风险评估的重要工具。