南京大学、蚂蚁集团和阿里巴巴达摩院联合提出BaguanHR，目标是训练0.1度全球高分辨率天气模型。论文报告，在72小时预报范围内，其合成加真实数据版本在超过85%的受测时段优于IFS-HRES；训练数据翻倍时，72小时预报RMSE下降4.6%。
高分辨率天气模型首先受制于数据年限。ERA5等再分析资料能提供几十年0.25度历史，但0.1度资料覆盖时间短。常见方案先在0.25度训练预测模型，再用少量0.1度数据微调；团队认为，粗分辨率预测已经丢失的小尺度信息，很难靠最后一次微调恢复。
与其迁移预测模型，不如先迁移数据
BaguanHR把分辨率转换放在训练数据前端。系统按气象变量分别训练超分辨率模块，将长期0.25度再分析资料合成为0.1度样本，再与有限的真实高分辨率数据一起训练预报模型。
BaguanHR先做变量级超分辨率，再构建大规模0.1度训练集。
论文从条件熵和输入误差放大两个角度比较超分辨率与天气预测，结论是前者作为分辨率迁移载体更稳定。超分辨率只需恢复同一时刻的细节，预测模型则要把当前误差推向未来；如果在粗网格上先预测，缺失的小尺度结构会随着时效继续累积。
72小时内多数时段超过IFS-HRES
实验比较机器学习方法和业务数值模式IFS-HRES。BaguanHR在合成加真实数据上训练后，在72小时内超过85%的受测预报时段取得更低误差。论文还评估温度、风、湿度等变量和极端事件，不同指标上的优势并不完全一致。
不同预报时效下BaguanHR、基线模型和IFS-HRES的案例结果。
这不是“AI已经全面取代数值天气模式”。结果依赖论文使用的变量、初始场、评测时间和空间统计方式，业务预报还要处理集合不确定性、数据延迟和极端事件漏报。85%描述的是指定评测中的时段占比，不是85%的天气事件都预报正确。
数据规模继续增长时误差仍在下降
团队逐步扩大合成高分辨率数据量，观察到近似幂律缩放：数据翻倍后，72小时预报RMSE下降4.6%，120小时下降4.9%。这说明当前0.1度模型还没有明显进入数据饱和区，继续利用更长历史可能仍有收益。
BaguanHR随训练数据规模增加呈现的误差缩放关系。
但合成数据的价值取决于超分辨率是否保留真实物理结构。若模型只是生成看起来精细的纹理，预报网络可能学到并不存在的局地信号。论文通过变量级设计和多种对比降低这一风险，后续仍需在独立年份、观测站和罕见极端天气上持续核验。
0.1度网格相较0.25度网格能表达更细的地形与局地梯度，但“分辨率更高”不等于所有地点的预报都更准。山地、海岸和强对流区域对初始场和物理过程更敏感，平均RMSE也可能掩盖少数高影响事件。论文把常规变量、不同预报时效和极端条件分开呈现，正是为了避免只用一条总体曲线概括系统能力。
这项工作的商业价值更可能首先出现在数据工程，而非简单替换现有预报中心。气象机构可以利用长期粗分辨率档案扩大高分辨率模型的训练覆盖，再将机器学习结果与数值模式、实时观测和人工预报联合使用。是否真正节省算力和提升预警提前量，还需要在同一业务链路中核算。
极端高温与低温等条件下三种系统的误差对比。
下一步是检验业务预报中的稳定性
BaguanHR提供了一条利用长期粗分辨率档案的新路线，尤其适合高分辨率观测年限不足的地区和变量。相同思路也可用于海洋、空气质量等时空系统，但每种变量都需要单独检查超分辨率带来的偏差。
进入业务流程后，还要测试滚动预报稳定性、推理成本、集合预报和极端事件预警。论文已证明扩充数据能够改善统一评测，能否在连续运营中保持优势，需要更长时间的实时对照。
