降水生成不再重训天气大模型：一个扩散生成器挂到冻结骨干上，第7天Brier分数从0.245降到0.218

降水生成从天气大模型里拆了出来：骨干只提供温度、风、湿度等非降水大气状态，一个独立训练的生成器负责把这些状态变成与观测对齐的24小时累积降水。 此前天气基础模型在ERA5再分析数据上训练，其降水带有区域性和强度相关的偏差，局地极端降水常被平滑或低估；直接替换降水目标重训整个模型代价过高，例如训练GraphCast约需32块Cloud TPU v4设备四周。 在Pangu-Weather、GraphCast和HRES三个骨干上，同一套生成器无需按骨干重训即可使用；GraphCast的ACC平均提高0.103、RMSE平均降低0.623，且优于GenCast。

生成器用扩散过程从高斯噪声逐步去噪出降水场，条件是多尺度循环编码器压缩后的大气演变特征。 直接把高维原始大气场喂进去内存开销大，且序列状态存在大量时空冗余，因此先用卷积编码器把多层强迫压成隐表示。 编码器每个层级内嵌ConvGRU门控来刻画大气状态的时间变化，消融中ConvGRU在两个骨干下都优于ConvLSTM。

去噪网络在U-Net各分辨率上通过交叉注意力把降水特征与对应尺度的大气条件对齐，因为某地降水并不只由同格点同时刻的大气条件决定。 日降水是跨时空大气过程的累积结果，水汽输送和垂直运动可能发生得更早、位于周边或上游区域，因此需要非局部的空间对齐。 消融中交叉注意力优于门控融合，完整配置在ACC 0.7015、RMSE 5.590等指标上最好，说明时间提取与空间对齐带来互补增益。

这套框架面向需要日累积降水预报的天气预报与水文应用读者，在ERA5与IMERG配对数据上训练，并在全球、区域以及中国2288个气象站观测的强降水个例上评估。跨骨干复用只在本文考察的对齐预报系统上得到验证，不同分辨率需要分别训练模型。生成器以固定的 atmospheric 轨迹为条件采样，其技巧仍取决于骨干预报。

跨骨干复用仅对本文对齐的预报系统做过实证验证，其他再分析资料如JRA、MERRA-2和业务产品如GFS的迁移仍需评估。在ERA5状态上训练、却以不完美预报作条件会带来分布偏移，作者用噪声扰动和预报场微调实验探查了这一点。IMERG反演不确定性和扩散采样的额外开销仍是限制；生成降水应作为决策支持，需要区域验证、专家监督和对预报不确定性的清晰沟通。