少即是多：面向数据高效的千米尺度极端高温降尺度的误差—距离标度关系

arXiv:2609.40140v2 公告类型：replace-cross 摘要：城市适应最需要千米尺度数据的领域正是极端高温，但用于训练降尺度模型的模拟成本可能超过其带来的收益，而所需数据量此前尚未得到明确。我们使用 CASPER 对其进行了测量。CASPER 是一个采用结构保持损失函数的 U-Net，将 32 km 分辨率的再分析数据降尺度至 1 km 的温度、湿度和风场，并覆盖了由 1 个月至 8 个月组成的 24 种配置。留出误差随训练数据与目标气候之间的气候距离呈线性增长，RMSE = 0.83 + 2.95 d；该关系解释了误差方差的 90%，而数据量仅能解释 7%，并且能够提前预测未见过的月份。在留出的极端夏季周期间，CASPER 保持了精细尺度结构和变量间的物理一致性，而相同计算预算的基线模型会削弱这些特征；在有记录的热浪期间，其结果与站点观测的差异不超过 1.8 K。迁移到新区域时，模型性能会随地理变化而下降；进行 11 天的本地模拟后，Vancouver 的留出误差从 3.8 K 降至 1.3 K。训练时段应覆盖目标气候：在模拟量减少至四分之一的情况下仍能达到相同精度，使没有大型计算设施的团队也有望开展千米尺度的极端高温降尺度。