当我们谈论气候变化时，很多人关心的是未来会不会更热，暴雨会不会更强，会不会有台风？决策者关心的是城市内涝、电力负荷、金融风险、公共健康等会受到多大影响？
长期以来气候预测和行业应用之间存在一道鸿沟。全球气候模式能够描述地球尺度的气候变化趋势，却是一张低清地图：只能告诉我们大范围会变暖、降水格局会变化。对于要做关键决策的行业来说，这还不够，需要的是精细到一个城市、一个流域、甚至一个风电场。
气候降尺度技术，正是把全球气候模式的大尺度信息，转化为区域可用的高清气候数据。可以理解为给未来气候装上高清镜头，让原本模糊的气候风险变得可定位、量化、评估。
针对现有AI方法的痛点，复旦大学、上海科学智能研究院（下称“上智院”）、上海创智学院联合研发伏羲零样本气候降尺度模型（下称“伏羲降尺度”），提出了一套新的AI气候降尺度解决方案。其核心目标是：在保持全球气候模式气候趋势的基础上，生成高分辨率气候数据，保证物理一致性，增强极端气候刻画能力，同时显著提高计算效率和模型泛化能力。
气候降尺度技术的价值
极端气候正在成为影响城市安全、产业运行和金融稳定的重要变量。对很多行业来说，气候风险不再是未来问题，而是正在发生的运营、投资和治理问题。例如：
水利部门关心：极端降雨会不会让某个区域发生更高频率洪水、内涝？
金融机构关心：气候变化会如何影响资产价值、保险赔付和投资组合？
能源企业关心：风、光、水资源未来是否稳定，极端天气会不会冲击电网？
公共健康部门关心：高温、湿热等会不会加剧敏感人群风险？
这些问题都有共同特点：不能只看全球平均变化，必须看到局部细节和极端事件；不能只看单一变量，还要同时看温度、降水、风速、湿度等多变量之间的关系。
降尺度方法面临的难题
传统气候降尺度主要有两类方法：动力降尺度和统计降尺度。
动力降尺度依靠区域气候模式，能够较好地刻画局地物理过程，具有较强的科学解释性。但它对计算资源要求极高，往往需要大量CPU集群和长时间运行，难以快速覆盖多个区域、多个情景和多个气候模式。
统计降尺度计算效率较高，可以基于历史观测建立粗分辨率和高分辨率之间的统计关系。但它依赖大量样本数据，在观测站点稀疏、极端事件少、历史与未来关系不稳定的情况下，容易遇到适用性不足等问题。
而现有一些基于深度学习的降尺度方法虽然提高了重建能力，但也存在一些问题：一是针对不同模式情景不同尺度和分辨率需要重新训练模型；二是缺少物理一致性，容易产生违反物理规律的生成结果；三是对极端事件容易抹平，导致真正高风险的尾部事件被低估；四是推理效率和泛化能力仍难满足大规模行业应用需求。
气候降尺度不是简单地把低清图片放大成高清图片，而是要在保持气候趋势、符合物理规律、刻画极端事件、兼顾计算效率之间取得平衡。
图1. 降尺度简要示意图
伏羲降尺度：新一代 AI 降尺度方案
1. 一次训练，多模式适用
传统监督学习方法往往需要“一模一训”，换一个气候模式、换一个分辨率、换一个区域，都可能需要重新训练。伏羲降尺度强调模式无关、情景无关，训练一个先验模型即可适应不同输入尺度和分辨率，对多种全球气候模式进行高分辨率重建。
这意味着，面对 CMIP 等多源气候模式数据时，伏羲降尺度能够更高效地形成统一、可比、可批量化的高分辨率产品。
图2. 不同气候模型的分辨率和尺寸
2. 不只高清，还符合物理规律
气候系统不是普通图像，不能只追求看起来更清晰。温度、降水、风速等变量存在复杂的物理特性。如果降尺度结果不符合物理规律，即使图像精细，也难以用于科学分析和行业决策。
伏羲降尺度通过地理条件约束、滤波算子、空间梯度和频率损失等技术，增强降尺度结果的物理一致性，让高分辨率数据不仅“看起来细”，更“用起来可信”。
图3. 伏羲降尺度的物理一致性
3. 更好刻画极端事件，避免风险被低估
行业里最为关心的往往不是平均天气，而是极端天气。例如，百年一遇暴雨、极端高温、台风路径等。这类事件样本少、变化快、影响大，是降尺度建模中最难处理的问题之一。
验证结果显示，在温度、降水、风速等变量上，伏羲降尺度对尾部风险，也就是 99 分位数等极端值的刻画能力具有明显优势。对于台风路径这类中小尺度系统，传统低分辨率气候模式往往难以捕捉，而伏羲降尺度能够显著提升路径捕捉能力，为风灾、降雨和沿海风险评估提供更细的数据支撑。
图4. 伏羲降尺度的热带气旋展示
4. 更高的计算效率
气候降尺度不仅要算得准，还要算得快。传统动力降尺度依赖大规模 CPU 集群，计算周期可能长达数月；传统统计方法和部分深度学习方法又往往需要针对不同模式、不同区域重复训练，难以支撑多模式、多情景、大范围的快速生产。
伏羲降尺度兼顾性能与效率，通过渐进蒸馏与共轭梯度引导等方法大幅压缩推理时间，使高分辨率气候情景产品的生成从“月级、周级”缩短到“天级”。同时因为具备更强的泛化能力，能够适应不同全球气候模式、不同输入尺度和不同分辨率需求，可以实现气候情景产品的大规模生产能力，更快速地开展批量计算，为实时更新、滚动评估和精细化决策提供支撑。
图5. 不同全球气候模型上不同降尺度方法的定量比较
伏羲降尺度的核心价值：从科学模型到行业产品
伏羲降尺度以算法模型为基本形态，面向行业应用提供高分辨率气候情景生产能力，致力于让气候信息深度融入行业决策链条。它可以为下游行业提供更丰富的极端气候变量、更高效的概率性分析、更适配领域模型的高颗粒度输入，并与各行业业务模型建立反馈机制。
1. 水资源管理与防洪：高分辨率降尺度数据可以帮助水利部门开展流域洪水风险评估、城市内涝模拟、水库调度优化和防洪工程规划，为提前预警、精准防灾提供数据基础。
2. 公共健康与城市治理：高分辨率降尺度气候数据可以更细致地识别高温暴露区域、热岛效应区域等，支持城市更新、公共卫生应急、避暑空间布局和社区级风险治理。
3. 经济金融与气候风险管理：高分辨率气候情景数据可以为金融机构提供更细颗粒度的风险输入，帮助开展资产级、区域级、行业级气候风险量化评估，提升气候风险定价和压力测试能力。
4. 能源、电力与新能源投资：高分辨率气候情景可以服务于新能源资源评估、电力负荷预测、电网韧性分析和极端天气应急调度，为能源系统低碳转型提供更可靠的气候底座。
5. 交通、航运与基础设施规划：高分辨率降尺度气候数据可以帮助交通和基础设施部门评估未来风险，优化线路规划、提升工程设计标准，并为运营期风险预警提供支撑。
图6. 伏羲降尺度应用于气候风险识别与健康影响评估
图7. 伏羲降尺度应用于水资源管理与洪水暴露识别
伏羲气候降尺度技术，把全球气候模式的宏观趋势转化为行业能够使用的高分辨率气候情景产品，让未来气候风险从“模糊判断”走向“精细量化”，从“科学研究”走向“产业应用”。
面向未来，伏羲降尺度将能够服务于水利防灾、城市治理、公共健康、金融保险、能源电力、交通航运等多个领域，为气候适应、风险管理和可持续发展提供更高质量的数据底座和智能化工具。
本研究的共同第一作者为复旦大学博士生铁瑞安和熊文博。论文作者还包括复旦大学博士后施正昱、苏欣雨，复旦大学硕士生江晨雨，复旦大学教授、上海创智学院副院长、上智院理事长吴力波（通讯作者），复旦大学研究员、上智院AI科学家李昊（通讯作者）。
论文信息 | Tie R, Xiong W, Shi Z, et al. Zero-Shot Statistical Downscaling via Diffusion Posterior Sampling[J]. arXiv preprint arXiv:2601.21760, 2026.
https://arxiv.org/abs/2601.21760
注：
图1来源: Blasone V. Graph Neural Networks for High-Resolution Climate Projections[J]. 2026.
图6作者：施正昱, 陈勃昊，陈子健, 汤维祺, Rebecca McNaught, Shuvo Bakar, Ayesha Sohail, Bianca Lau-Goodchild, 张晓玲, 张小曳, 张颖, 吴凡, 吴力波
图7作者：陈智超，施正昱，韩智秀，陈斌，董明鉴，罗熙晨，孙尘，宋亦茹，王玉涛，吴力波