https://mp.weixin.qq.com/s/ploaAUUWR5M0Yfid8k1o_Q
原创 #气象数据服务 地学拓扑局 2025年09月30日
论文简介
题目：End-to-end data-driven weather prediction
期刊：《Nature》（IF:48.5 Q1）
发表时间：2025年3月20日
文章编号：(2025) 18:246-253
DOI: 10.1038/s41586-025-08897-0
研究背景及意义
数值天气预报（NWP）系统是应急响应、交通、农业、能源等领域及公众安全的关键支撑，但其自 20 世纪 50 年代发展至今，仍依赖复杂的多模块链式流程 —— 需整合多源观测数据、通过数据同化生成大气初始状态、利用流体力学方程进行数值求解，还需后续统计后处理或高分辨率区域模型生成局地预报，不仅依赖专用超级计算机、计算成本极高，且各模块迭代优化难度大。尽管机器学习已开始应用于 NWP 的部分环节，但核心的同化系统仍处于原型阶段，尚未出现能替代完整 NWP 流程的端到端数据驱动模型。在此背景下，开发无需依赖 NWP 产品、仅通过原始观测数据直接生成预报的系统，对降低计算成本、突破传统 NWP 的灵活性限制、推动天气预报向轻量化和定制化发展具有重要意义，可惠及资源有限地区的灾害风险评估与应对。
研究内容
本研究开发了名为 “Aardvark Weather” 的端到端数据驱动天气预报系统，通过三个核心模块实现完整预报流程：首先是编码器模块，整合星载遥感与地基原位观测数据，利用视觉 Transformer 骨干网络处理非网格数据与缺失值，生成大气初始状态格点数据，且训练中未对输入数据进行偏差校正，而是由模型自主学习校正；
其次是处理器模块，基于 10 个视觉 Transformer 子网络，以 24 小时为时间步长自回归生成全球 1.50° 格点预报（涵盖 2 米温度、10 米风、海平面气压及 200/500/700/850 hPa 高度的风、湿度、温度、位势等变量），训练时先通过 ERA5 再分析数据预训练，再结合编码器输出进行微调；
最后是解码器模块，采用轻量级卷积 U-Net 架构，将格点预报转化为局地站点的 2 米温度与 10 米风速预报。研究还通过消融实验分析了不同观测数据源对初始状态估算的影响，并对比了 Aardvark 与传统 NWP 基准在全球格点预报和局地站点预报的性能，同时测试了端到端微调对特定区域 / 变量预报精度的提升效果。
研究结果
1、Aardvark 可完全替代传统 NWP 流程，仅通过原始观测生成高技能预报：在全球 1.50° 格点预报中，多数变量的纬度加权 RMSE 优于 GFS，且接近 HRES 水平，能捕捉中纬度与热带的大尺度大气特征，仅在高层大气变量和短预报时效下误差略高于业务基准。
2、不同观测数据源对预报精度的贡献差异显著：消融实验表明，卫星遥感数据是约束大气初始状态的关键，移除所有卫星数据会导致各变量 RMSE 大幅上升；其中低轨卫星探测器数据的重要性最高，而原位观测对地表变量及低层位势预报的补充作用显著，未来优化端到端系统应优先保障低轨探测器数据的纳入。
3、局地站点预报性能优于或媲美业务系统，且资源有限地区收益更显著：全球范围内，Aardvark 对 2 米温度和 10 米风速的预报在 10 天时效内均具技能，与经站点偏差校正的 HRES 竞争力相当；在西非、太平洋等资源有限地区，其精度全面超过校正后的 HRES；北美大陆温度预报与包含人工预报员输入的 NDFD 系统性能相当，风速预报误差低于 NDFD。
4、端到端微调可高效提升特定区域 / 变量的预报精度：针对 1 天时效的 2 米温度与 10 米风速，对编码器 - 处理器 - 解码器全流程微调后，全球及欧洲、西非、太平洋地区的温度预报 MAE 降低 6%，北美地区降低 3%，风速预报 MAE 在多数区域降低 1%-2%，且微调效率远高于传统 NWP 的周期更新。
5、Aardvark 具备计算效率优势，可推动定制化预报发展：生成一次完整预报仅需 4 块 NVIDIA A100 GPU 耗时约 1 秒，而 HRES 仅数据同化与预报环节就需约 1000 节点时，计算成本降低多个数量级；其模块化设计支持针对不同区域 / 变量（如农业、可再生能源需求）进行定制化优化，为资源有限地区部署专属预报系统提供可能。
主要图集
图1：Aardvark Weather的数据与运行机制
图2：Aardvark Weather 的 U10 风分量格点预报示例
图3：量化各数据模态影响的编码器消融实验
图4：站点预报性能与端到端微调改进效果 | 
发表于 2025-10-2 15:37:05
