Earth observation embeddings are effective sub-grid descriptors for probabilistic weather downscaling
作者: Pedro Sousa, Will Tebbutt, Sadiq Jaffer, Robin Young, Anil Madhavapeddy, Richard E. Turner
分类: cs.LG, physics.ao-ph
发布日期: 2026-08-12
备注: 39 pages, 12 figures, 6 tables
💡 一句话要点
提出地球观测嵌入以解决气象下分辨率问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 气象下分辨率 地球观测 卷积神经网络 概率模型 气候变化 环境监测
📋 核心要点
- 现有的概率下分辨率方法依赖手工制作的地形描述符，无法有效捕捉细微的地表特性。
- 本文提出通过地球观测嵌入来增强卷积条件神经过程，以提供可转移的子网格表面表示。
- 实验结果表明，使用嵌入后，2米温度和10米风速的CRPS技能分别提高了11.5%和6.2%。
📝 摘要（中文）
全球天气再分析和预报在粗网格上解析不断变化的大气状态，但特定地点的应用需要在任意位置进行预测，近地面条件也依赖于未解析的地形和地表特性。现有的概率下分辨率方法使用手工制作的地形描述符。本文探讨地球观测基础模型是否能提供可转移的子网格表面表示以进行概率天气下分辨率。通过压缩10米分辨率的TESSERA嵌入，增强了卷积条件神经过程，从而改善了对粗糙ERA5再分析场的下分辨率。实验结果显示，在五个气候多样的区域中，嵌入显著提高了2米温度和10米风速的点和概率技能，整体提高了CRPS技能，分别为11.5%和6.2%。
🔬 方法详解
问题定义：本文旨在解决现有概率天气下分辨率方法无法有效利用细微地表特性的问题，现有方法主要依赖手工制作的地形描述符，导致在特定地点的预测精度不足。
核心思路：论文提出利用地球观测嵌入作为可转移的子网格表面表示，增强卷积条件神经过程，从而改善粗网格天气数据的下分辨率效果。通过压缩10米分辨率的TESSERA嵌入，捕捉持久的地表特性，进而提高预测的准确性。
技术框架：整体架构包括数据预处理、嵌入生成、卷积条件神经过程模型构建和下分辨率预测四个主要模块。首先，从TESSERA生成地表嵌入，然后将其输入到卷积条件神经过程中进行下分辨率。
关键创新：本研究的核心创新在于首次将长期的地球观测嵌入应用于短期天气下分辨率，证明了持久地表特性对气象预测的支持作用，与传统方法相比，显著提高了预测精度。
关键设计：在模型设计中，采用了特定的损失函数以优化下分辨率效果，并对卷积神经网络的层数和参数进行了精细调整，以确保嵌入信息的有效利用。具体的网络结构和参数设置在实验中进行了详细验证。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用地球观测嵌入后，2米温度的CRPS技能提高了11.5%，10米风速的CRPS技能提高了6.2%。这些结果在不同气候区域和新部署的站点中均表现出一致性，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括气象预报、环境监测及气候变化研究。通过提高天气预报的空间分辨率，可以更好地服务于农业、灾害管理和城市规划等实际需求，具有重要的社会和经济价值。
📄 摘要（原文）
Global weather reanalyses and forecasts resolve the evolving atmospheric state on coarse grids, but site-specific applications require predictions at arbitrary locations where near-surface conditions also depend on unresolved terrain and land-surface properties. Existing probabilistic downscalers address this gap using hand-crafted topographic descriptors. We ask instead whether Earth observation foundation models can provide transferable sub-grid surface representations for probabilistic weather downscaling. We augment a convolutional conditional neural process that downscales coarse ERA5 reanalysis fields at ~25 km resolution with a learned local surface descriptor, obtained by compressing a patch of TESSERA embeddings at 10 m resolution. Although these embeddings summarise surface conditions over annual timescales, they improve downscaling of instantaneous 2 m temperature and 10 m wind speed by encoding persistent surface properties that capture a location's departure from the coarse-grid atmospheric state. Across five climatically diverse regions, the embedding improves point and probabilistic skill at stations held out in both space and time, overall improving CRPS skill by 11.5% for 2 m temperature and 6.2% for 10 m wind speed. We further analyse how its contribution differs by variable, finding that topography explains more of temperature's sub-grid structure, while TESSERA provides additional surface information for wind speed. These improvements persist when the coarse input is changed from ERA5 to forecasts from the Aurora AI forecasting model, and when predicting at newly deployed stations with no regional history. To our knowledge, this is the first evidence that long-timescale Earth-observation embeddings can support short-timescale weather downscaling where sub-grid departures are systematically structured by persistent surface properties.