转自：https://mp.weixin.qq.com/s/bmQlGhJ7lglBgeALbt6KnA
原创 #数据咨询服务 地学拓扑局 2026年1月13日
论文简介
题目：A regional high resolution AI weather model for the prediction of atmospheric rivers and extreme precipitation
期刊：《npj Climate and Atmospheric Science 》（IF:8.4 Q1）
发表时间：2025年12月12日
文章编号：(2025) 8:385
DOI: 10.1038/s41612-025-01265-9
研究背景及意义
降水预报传统上依赖数值天气预报（NWP）系统，这些系统虽然能够捕捉大气动力学的精细尺度特征，但计算需求巨大。近年来人工智能（AI）技术的快速发展为天气预测带来了新的机遇，AI模型能够在几分钟内生成预报，且计算资源需求极低。然而，现有的全球AI模型往往低估降水总量并产生过度平滑的预报场，限制了其在降水预报中的有效性。美国西部地区地形复杂、气候多样，大气河流（ARs）在该区域降水中扮演关键角色，占加州年际降水变率的85%。目前缺乏专门针对该区域的高分辨率、自回归AI驱动模型，且这些新兴AI方法与最先进的物理模型之间的全面比较仍然不足。本研究旨在填补这一空白，开发区域高分辨率AI天气模型，为km尺度降水预报提供新的解决方案。
研究内容
本研究基于图变换器架构，利用美国西部天气与水极端中心（CW3E）的6公里高分辨率区域再分析数据集和全球ERA5数据集，训练了一个AI驱动的拉伸网格模型。该模型在美国西部和北美大部分地区采用6公里水平网格增量，其他区域为约31公里，能够快速生成分钟级的预报。研究评估了该模型在三个冬季（2020-2021、2021-2022、2022-2023）的降水预报性能，并与三个基准模型进行比较：AI拉伸网格模型的粗化版本（类似ECMWF的AIFS）、ECMWF的IFS（0.25度分辨率）以及专门用于美国西部AR预测的9公里WRF有限区域模型（West-WRF）。研究还分析了模型对关键训练超参数（如学习率、损失函数、变量缩放）的敏感性，并采用多种验证指标（RMSE、ETS、FSS、RAPSD）进行全面评估。
数据来源
本研究使用了两个主要数据集：全球低分辨率数据集和区域高分辨率数据集。全球数据集采用ERA5再分析产品，在N320投影上提供31公里空间分辨率的每小时数据，包含76个变量（75个预报变量和1个诊断变量），涵盖13个气压层的位势、温度、风场和比湿，以及多个单层变量。区域数据集来自CW3E的6公里再分析，采用与West-WRF NRT动力模型类似的方式生成，基于WRF动力模型，使用ERA5作为初始和侧边界条件，具有100个垂直层。观测数据采用PRISM，提供4公里空间分辨率的日降水数据，作为验证AI和NWP模型的地面真值。大气河流目录数据来自CW3E的AR目录，涵盖2020-2021、2021-2022、2022-2023三个冬季的12个等级2及以上的AR事件。
研究结论
1、区域AI模型显著降低降水误差：AI 6公里模型在24小时累积降水误差方面表现优于全球模型，能够有效捕捉极端降水事件，特别是与大气河流相关的事件，而全球较粗模型往往低估这些事件。
2、高分辨率模型提供更精细的空间细节：AI 6公里模型和West-WRF在捕捉高影响降水事件（特别是98百分位）和雨天频率方面与观测数据（PRISM）表现出更好的一致性，而全球模型（IFS和AI 31公里）倾向于低估高降水区域的日降水总量和湿日分布的上百分位。
3、模型在极端降水事件中表现优异：AI 6公里模型在捕捉降水强度和分布方面表现出色，对于99百分位以下的极端降水几乎没有低估，且功率谱密度与观测目标一致，而全球模型在40毫米以上降水时低估现象更加明显。
4、计算效率优势明显：AI 6公里模型在单块H100 GPU上仅需6-7分钟即可生成7天预报，计算成本仅为传统NWP方法的一小部分，同时性能与区域物理模型相当甚至更优。
5、模型对大气河流事件具有良好预测能力：通过2023年1月5日大气河流事件的案例研究，AI 6公里模型能够准确再现降水空间分布，包括旧金山湾区和内华达山脉的降水最大值，而AI 31公里模型在极端降水区域显著低估。
主要图集
图1：在测试期间，于120小时预报前期（即96–120小时间累计降水量）通过动力学和人工智能模型（包括全球和区域）观测并预测了验证域内的关键日降水统计数据
图2：通过动力学和人工智能模型验证降水分布的强度和频谱频率
图3：动态（IFS和West-WRF）和AI模型在2天、4天和6天预报前期的分数技能得分（FSS）
图4：2023年1月5日一级大气河流的案例研究
图5：AI 6公里预报误差对某些超参数的敏感度图6：用于训练全局和拉伸网格AI驱动天气模型的示意图
图6：用于训练全局和拉伸网格AI驱动天气模型的示意图 | 
发表于 2026-1-15 15:14:56
