FuXi-CMIPAlign：生成式人工智能提升不同排放情景下的极端事件模拟准确性

伏羲团队在气候领域的新工作（Generative artificial intelligence enhances extreme events projections in emission scenarios），旨在利用降尺度的思想对CMIP6中的全球环流模式（GCM）进行时空降尺度及偏差订正，实现不同共享社会经济路径（SSP）-代表性浓度路径（RCP）矩阵下的极端事件模拟，即SSP126、SSP245、SSP370、SSP585下的高温、极端降水、强风、热带气旋。

尽管CMIP6在historical计划中的数据与ERA5具有一致的时间戳，但是两者之间存在大量随机误差，端到端训练的结果对极端事件的描述甚至比降尺度前更差。CMIPAlign则将端到端的过程（盲超分）拆解成“非盲超分”与域适应的组合，即粗化的ERA5与精细的ERA5学习映射的同时，将CMIP与粗化的ERA5在特征域进行约束对齐。本文以EC-Earth为例，最终实现不同碳排放情景下（2015-2100），从70km/daily到25km/6hourly的时空降尺度。

CMIPAlign在验证时期（2005-2014）的降尺度结果，T2M、TP、WS10M的99分位数MAE订正效果显著，特别是热带气旋检测结果大幅提升。值得一体的是，CMIPAlign的训练时间段处于1940-2000，与验证时期的碳排放水平有明显差异，在这种背景下，模型样本外泛化的能力仍然稳定。

基于历史时期训练好的模型，我们对EC-Earth在四种SSP情景下的数据（2015-2100），进行了推理，并发现热带气旋路径分布随着排放水平增加，出现逐渐向东北太平洋扩张的趋势，强度也由热带低压、热带风暴向强热带风暴和台风（飓风）转化。

相关数据会近期开源，以供下游任务使用。未来，我们也会对模型向多圈层及能源相关要素拓展，提升降尺度精度，敬请期待～

论文链接：https://arxiv.org/abs/2508.16396