EC-EarthFlow: Probabilistic emulation of daily transient global climate model simulations with flow matching

📄 arXiv: 2610.09715v1 📥 PDF

作者: Kirien Whan, Nikolaj T. Mücke, Karin van der Wiel

分类: cs.LG, physics.ao-ph

发布日期: 2026-10-07

💡 一句话要点

提出EC-EarthFlow以高效模拟全球气候模型EC-Earth3

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 气候模型 生成性模型 流匹配 自回归预测 计算效率 环境监测 气候变化

📋 核心要点

  1. 现有气候模型如EC-Earth3计算成本高，难以进行大规模的长期气候预测。
  2. EC-EarthFlow通过生成性流匹配模型，利用历史温度数据进行自回归预测，显著降低计算复杂度。
  3. 实验表明，EC-EarthFlow能够有效重现EC-Earth3的气候特征，且在长时间推理中保持稳定性。

📝 摘要（中文）

我们介绍了EC-EarthFlow，这是一种生成性流匹配模型，旨在模拟物理气候模型EC-Earth3的模拟结果。该模型基于1950年至2166年的EC-Earth3瞬态模拟数据进行训练，能够根据前一天的温度预测次日的温度场及年均温度。通过自回归方式进行预测，覆盖从一个月到一个季节的时间范围。仅使用这一感兴趣变量，EC-EarthFlow能够以显著低于物理模型的计算成本，重现EC-Earth3的日变化、空间模式、年周期及长期趋势。我们证明了EC-EarthFlow在长推理周期内的稳定性，以及其能够学习EC-Earth3中模拟的物理关系。

🔬 方法详解

问题定义：本论文旨在解决现有气候模型在长时间模拟中的高计算成本和效率问题。现有方法如EC-Earth3虽然精确，但在大规模应用时面临计算资源的限制。

核心思路：EC-EarthFlow采用生成性流匹配模型，通过历史温度数据进行自回归预测，能够在较低的计算成本下实现气候模拟。此设计使得模型能够捕捉气候变化的动态特征。

技术框架：模型的整体架构包括数据预处理、流匹配训练和自回归预测三个主要模块。首先对EC-Earth3的历史数据进行处理，然后训练生成性流模型，最后进行温度场的预测。

关键创新：EC-EarthFlow的主要创新在于其流匹配机制，能够在保持模型稳定性的同时，学习到复杂的物理关系。这与传统气候模型的直接数值模拟方法形成了鲜明对比。

关键设计：模型采用了特定的损失函数以优化流匹配效果，并在网络结构上进行了调整，以适应气候数据的特性。关键参数设置经过多次实验验证，以确保模型的准确性和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EC-EarthFlow在重现EC-Earth3的日变化、空间模式及年周期方面表现优异，计算成本显著低于传统模型。模型在长时间推理中的稳定性也得到了验证，显示出其在实际应用中的潜力。

🎯 应用场景

EC-EarthFlow的研究成果可广泛应用于气候预测、环境监测及气候变化研究等领域。其高效的模拟能力将为政策制定者提供更为精准的气候数据支持，助力应对气候变化带来的挑战。未来，该模型有潜力扩展到其他气候模型的仿真与预测中。

📄 摘要（原文）

We introduce EC-EarthFlow, a generative flow matching model that emulates simulations from the physical climate model EC-Earth3. The model is trained on transient simulations from EC-Earth3 (1950-2166, SSP2-4.5) to predict the day ahead temperature field from the previous days temperature as well as annual mean temperature. Predictions are made auto-regressively with rollout periods of between a month and an extended season. Using only this variable of interest, we are able to reproduce the daily variability, spatial patterns, annual cycle and long-term trend from EC-Earth3 at a substantially lower computational cost than the physical model. We demonstrate that EC-EarthFlow is stable for long inference periods, and that it can learn the physical relationships as simulated in EC-Earth3.