科技快讯 | 基于深度学习的城市空中交通高精度气象预报

风语者

https://mp.weixin.qq.com/s/T1mIrp2RYytlzTw7tNkIBw
中国气象局图书馆  2025年10月31日

基于深度学习的城市空中交通高精度气象预报

城市空中交通(UAM)飞行器在1000-2000英尺高度的城市复杂地形上空运行，需要精确的实时气象预报以确保安全。传统大尺度预报系统因网格分辨率不足难以准确捕捉湍流边界层特征，而高分辨率CFD模拟计算成本过高，无法满足实时需求。研究旨在开发一种深度学习模拟器，能够快速生成CFD级别的高分辨率气象数据，解决UAM面临的实时气象预报挑战。

研究团队构建基于残差密集块（RDB）的深度学习架构，融合多尺度卷积核（3×3、5×5、7×7）和风向分类系统，输入韩国气象局LDAPS系统的低分辨率气象数据（1.5公里）及地表特征（地形、建筑密度等），通过15个针对不同风向/风速类别的子模块加权融合，快速生成类CFD结果。测试显示，模拟器在UAM飞行路径上风速预测均方根误差（RMSE）低于0.92 m/s（R²>0.93），温度预测RMSE低于0.59°C（R²>0.99），单GPU推理速度达6秒/小时预报，较CPU-CFD加速600～900倍。

该模拟器显著提升了预测准确性和计算效率，实现了城市尺度高分辨率天气预报，为UAM操作及更广泛的城市气象应用提供了关键支持。未来研究将重点攻克：极端风况预测偏差修正、空间分辨率优化至10米级、扩展起降阶段气象模拟、整合云雾降水等关键灾害要素，并引入高精度观测数据减少输入偏差，最终构建覆盖全飞行场景的UAM气象保障体系。

相关研究以 CFD-quality nowcasting for urban air mobility with a deep learning-based emulator 为题发表在 Environmental Research Letters 期刊。

DL和DL+C模型架构