SDECast：用神经随机微分方程实现连续时间天气预报

突破固定步长的天气预测范式

机器学习天气预报近年来取得了令人瞩目的进展，但主流模型普遍采用一种固定时间分辨率下的自回归滚动（autoregressive rollout）方式生成预报。这种方法在长程预测上效率极高，却存在两个难以回避的结构性缺陷。

其一，当使用较短时间步长时，自回归方式会出现严重的误差累积——每一步的预测误差都会被带入下一步，层层放大，最终导致预报质量迅速劣化。其二，这种离散化的建模方式并没有显式编码大气动力学本身所具备的局部性与时间连续性，而这两点恰恰是物理世界演化的核心特征。

正是针对这些局限，一项名为 SDECast 的新研究提出了全新的建模思路：用神经随机微分方程（Neural Stochastic Differential Equation, SDE）来实现连续时间下的概率性天气预报。

SDECast 的核心设计

从离散滚动到连续动力学

SDECast 的根本转变在于，它不再把天气演化看作一系列离散时间步的跳跃，而是将其建模为一个在连续时间上演化的随机过程。神经随机微分方程天然适合刻画这类带有不确定性的连续动力系统——它既能捕捉确定性的漂移趋势（drift），又能通过随机项表达大气系统固有的不确定性。

这种连续时间的表述带来的直接好处是：可以在任意时间分辨率上生成预报，而不必受限于训练时的固定步长，同时也更贴合大气动力学的物理本质。

随机微分方程（SDE）是常微分方程的随机版本，其一般形式为 dX = f(X,t)dt + g(X,t)dW，其中 f 称为漂移项（drift），描述系统的确定性趋势；g 称为扩散项（diffusion），乘以维纳过程增量 dW 来刻画随机噪声的注入。大气系统本身兼具可预测的大尺度环流（对应漂移）与不可预测的中小尺度湍流和混沌行为（对应扩散），SDE 的这种双重结构因此与大气物理学有天然的契合性。神经 SDE 则是用神经网络参数化漂移项和扩散项，使模型能够从数据中端到端地学习这两部分动力学，而无需预先人工设计具体的方程形式。与确定性神经常微分方程（Neural ODE）相比，神经 SDE 多出的随机项使其能够生成多条不同的演化轨迹，天然输出一个预报集合（ensemble），这正是概率性天气预报所需要的核心能力。

在物理空间中直接学习

SDECast 的一个关键技术贡献是对 SDE Matching 方法的扩展，使其能够直接在物理空间中学习随机动力学。更重要的是，这一训练过程无需在训练期间反复进行 SDE 仿真。

传统上，训练神经随机微分方程往往需要在每一步迭代中数值求解 SDE，计算开销巨大，也难以扩展到高维问题。SDECast 绕开了这一瓶颈，使得方法在面对全球尺度、高分辨率的气象数据时仍然具备可扩展性。这是它能够从理论走向大规模应用的重要前提。

SDE Matching 是一类训练神经 SDE 的方法，其核心思想是通过匹配真实数据轨迹的统计特性来拟合 SDE 的漂移与扩散参数，而非逐步积分求解方程再与观测对比。传统的神经 SDE 训练需要在每次反向传播时对方程进行数值积分（即"仿真"），这要求在每个训练步内调用数值求解器迭代多次，计算量与时间步数成正比，在高维的全球气象场景下代价极高。SDECast 对 SDE Matching 的扩展使其能够绕过这一仿真环节，直接利用观测到的时间序列数据估计动力学参数，这一做法在数学上依赖于对转移密度或得分函数（score function）的近似，与扩散模型领域的去噪得分匹配思路存在内在关联。避免训练期仿真不仅大幅降低了计算成本，也使梯度估计更稳定，是该方法能够扩展到逐小时全球预报这一高维任务的关键工程突破。

实验验证：从理想流场到全球预报

研究从两个层面对 SDECast 进行了验证。

在模拟的地球物理流场（geophysical flow）实验中，SDECast 能够恢复出有意义的漂移动力学，并忠实地再现底层的连续时间行为。这表明该框架确实学到了系统的内在动力结构，而非简单的数据拟合。

随后，研究进一步展示了它在真实场景下的扩展能力：在逐小时分辨率的全球天气预报任务中，SDECast 能够生成具有技巧性（skillful）的概率性预报，预报时效可达五天。能够在小时级分辨率上稳定输出五天的概率预报，说明它较好地抑制了短步长下的误差累积问题，这正是对传统自回归模型痛点的直接回应。

为什么这项工作值得关注

天气预报本质上是一个充满不确定性的问题，单一的确定性预测往往无法满足防灾减灾、能源调度等场景对风险评估的需求。概率性预报因此愈发重要，而 SDECast 将概率建模与连续时间动力学结合起来，提供了一条兼具物理合理性与计算可行性的路径。

从方法论角度看，它展示了神经随机微分方程在大规模科学计算问题上的潜力——通过避免训练期的重复仿真，让这类理论优雅但计算昂贵的模型真正落地到全球气象这样的高维任务中。

当然，作为一篇新发布的预印本成果，其效果仍需更多独立评测与真实业务环境的检验，尤其是在与当前主流 AI 气象模型（如基于图神经网络或 Transformer 的自回归模型）的系统性对比方面。但其提出的连续时间概率建模思路，为机器学习天气预报的发展提供了一个有价值的新方向。

当前主流的机器学习天气预报模型，如 GraphCast（基于图神经网络）、Pangu-Weather 和 FengWu（基于 Transformer），普遍采用 6 小时步长的确定性或概率性自回归预报，预报时效通常在 10 天以内。这些模型在 ECMWF ERA5 再分析数据上训练，已在多项指标上接近甚至超越传统数值天气预报（NWP）。SDECast 所针对的"短步长误差累积"问题，在这些以 6 小时为单位的模型中并不突出，但当需要逐小时甚至更细粒度的高时间分辨率预报时，自回归误差的快速积累就成为关键瓶颈。此外，集合预报（ensemble forecasting）在传统 NWP 体系中已是业务标准，而如何用计算代价可接受的方式在 AI 模型中实现等价的不确定性量化，仍是该领域的开放问题，SDECast 的连续时间随机框架为此提供了一条不同于扩散模型集合或显式扰动方法的新路径。