时空融合深度学习方法显著缩短航空风场预报间隔

atmos85

https://mp.weixin.qq.com/s/GwQ4KcQXkazfWU-F4bnYmg
刘燕飞   中科院资源环境科学信息中心  2025年10月29日

2025年9月25日，由葡萄牙马德拉大学（University of Madeira）科学家领衔的研究团队在《科学报告》（Scientific Reports）发表题为《一种提高数值天气预报时空分辨率的深度学习方法》（A Deep Learning Approach for Improving Spatiotemporal Resolution of Numerical Weather Prediction Forecasts）的文章，通过引入基于时空融合模型的深度学习方法，提高风预报的时间分辨率和准确性，解决了传统数值天气预报模型在航空业务风预报中的局限性。

传统的数值天气预报更新慢、分辨率有限，难以捕捉机场复杂地形下的快速风切变、阵风锋等危险天气。机器学习已证明能修正单点风速误差，但系统性地把3小时输出变成1小时，同时提升空间-时间分辨率的工作极少。该研究提出了一种深度学习后处理方法——时空融合TELMo（Spatiotemporal Fusion TELMo , STF-T）架构，可将全球预报系统3小时间隔、0.25°分辨率的地面风场预报降尺度到1小时间隔，并显著提升精度，主要面向机场近场风临近预报需求。

该研究通过整合全球预报系统（GFS）与欧洲中期天气预报中心第五代再分析数据（ERA5），利用一维卷积层进行空间数据融合，采用双向长短期记忆网络进行时空模式识别。所提出的方法大幅改进了原始数值模式，将时间分辨率从3小时间隔提高到1小时，并将风速和风向预报的平均绝对误差降低了50%以上。新模型在20°角内风向预测准确率为82.85%，而GFS模型预测的准确率为64.46%。个例研究表明，新模型在复杂地形（如马德拉国际机场）能更好捕捉风场变化，对航空安全、飞行计划制定及节油优化具有直接意义。由于方法不受地域限制，可便捷推广至其他区域。

原文题目：A Deep Learning Approach for Improving Spatiotemporal Resolution of Numerical Weather Prediction Forecasts

来源：https://www.nature.com/articles/s41598-025-17867-5

详细内容参见中国科学院兰州文献情报中心《资源环境动态监测快报》2025年第19期。