npj-CAS | 一种用于预报大气河和极端降水的区域高分辨率AI天气模型

一种用于预报大气河和极端降水的区域高分辨率AI天气模型

Schematictotraintheglobalandstretched gridAI-drivenweathermodels

Schematictotraintheglobalandstretched gridAI-drivenweathermodels

Baño-Medina, J., Sengupta, A., Steinhoff, D. et al. 
A regional high resolution AI weather model for the 
prediction of atmospheric rivers and extreme precipitation. 
npj Clim Atmos Sci 8, 385 (2025).
https://doi.org/10.1038/s41612-025-01265-9

📌 一、研究背景与动机

• • 问题提出：随着 AI 模型（如 GraphCast、FourCastNet、Pangu-Weather 等）在天气预报中迅速发展，其能否准确预测极端天气事件（尤其是高影响的“大气河”事件）成为关键科学问题。
• • 核心挑战：
  • • 极端降水具有高度非线性、局地性强、对初始条件敏感等特点；
  • • AI 模型通常在训练数据分布内表现良好，但在“分布外”（out-of-distribution）事件（如破纪录热浪、超强 AR）中可能失效；
  • • 传统验证指标（如 RMSE）可能掩盖模型对极端值的系统性低估。

📌 二、研究方法与数据

1. 对比模型

• • AI 模型：
  • • AI 31-km：全球尺度、较低分辨率的 AI 天气模型（类似 ECMWF 的 GraphCast）；
  • • AI 6-km：高分辨率区域 AI 模型（可能为微调或降尺度版本）。
• • 传统数值模型：
  • • West-WRF：针对美国西海岸优化的 Weather Research and Forecasting (WRF) 模型，分辨率为 ~3–6 km；
  • • IFS：ECMWF 的业务全球模式（Integrated Forecasting System），分辨率约 9–18 km（随时间变化）。

2. 验证数据

• • 使用 PRISM（Parameter-elevation Regressions on Independent Slopes Model）作为地面观测基准，提供高精度日降水数据（尤其适用于复杂地形如加州）。

3. 事件选取

• • 聚焦 2020–2023 年影响旧金山地区的大气河（Atmospheric River, AR）事件；
• • 列出 12 次 AR 事件（见 Table 1），按 Ralph et al. (2019) 的 AR 等级标准（1–5 级），其中包含多次 3–4 级强事件（如 2022 年 12 月 IVT 高达 1095 kg/m/s）。

https://github.com/CW3E/regional-ai-6km

📌 三、主要结果与发现

🔹 1. 降水强度分布偏差（图3）

• • AI 31-km 模型：
  • • 在 >20 mm/天 的降水阈值上显著低估；
  • • 对 >150 mm（99th 百分位以上） 的极端降水严重平滑，几乎无法捕捉峰值；
  • • 这种低估在不同预报时效（2–6 天）中保持一致 → 表明其输出“过于平滑”，缺乏极端值变率。
• • AI 6-km 与 West-WRF：
  • • 在 99th 百分位以内与 PRISM 高度一致（R² ≈ 0.99–1.0）；
  • • West-WRF 在 >150 mm 极端值上仍能保持较好一致性（2天预报），优于 AI 6-km；
  • • 说明高分辨率物理模型在极端事件细节上仍有优势。

💡 关键洞见：低误差（如 RMSE 小）≠ 好预报。AI 31-km 因平滑而 RMSE 较低，但牺牲了极端事件的可预报性。

🔹 2. 分数技能评分（FSS, Fraction Skill Score）分析（图4）

• • FSS 是一种邻域验证方法：允许一定空间位移误差，更关注降水“是否在附近发生”而非精确位置。
• • 结果：
  • • 当窗口较小时（<100 km），AI 模型（尤其 AI 31-km）因平滑而 FSS 较高；
  • • 当窗口增大（>280 km），West-WRF 的 FSS 反超 AI 模型（尤其在 2–4 天预报）；
  • • 表明：West-WRF 能更准确再现大尺度降水结构和强度，只是位置略有偏移。

✅ 启示：评估极端降水不能只看点对点误差，需结合空间结构（如 FSS、谱分析）。

🔹 3. 随机振幅功率谱密度（RAPSD）分析（图 d/e）

• • 用于评估模型对不同空间尺度（波长）降水变率的模拟能力。
• • 发现：
  • • AI 31-km 在 小尺度（<100 km） 上功率显著衰减 → 无法解析对流尺度过程；
  • • West-WRF 和 AI 6-km 在宽波段（10–1000 km）均与观测匹配良好；
  • • 即使在 AR 事件中，AI 31-km 仍缺乏中小尺度能量。

🔹 4. 综合验证指标（图2）

• • RMSE：AI 31-km 最低，但主要因低估极端值；
• • ETS（Equitable Threat Score）：
  • • 对 >p90（90th 百分位）降水，AI 6-km 与 West-WRF 相当；
  • • 对 >p98（最极端 2%），West-WRF 明显优于所有 AI 模型；
• • Spearman 相关性：所有模型在中等降水上相关性高（>0.85），但极端事件相关性下降。

📌 四、讨论与意义

✅ 主要结论：

1. 1. 分辨率是关键：6-km AI 模型显著优于 31-km 版本，说明 AI 模型也需要足够分辨率来解析极端降水。
2. 2. AI 模型存在“平滑偏差”：为降低整体误差，AI 倾向于抑制极端值，导致对“灰天鹅”事件（罕见但高影响）预测能力弱。
3. 3. 传统高分辨率 NWP 仍有不可替代价值：West-WRF 在极端 AR 事件中表现稳健，尤其在降水强度和空间结构上。
4. 4. 验证方法需多元化：仅用 RMSE 会误导；应结合 FSS、分位数分析、谱分析等多角度评估。

⚠️ 局限性：

• • 研究区域限于美国西海岸（地形复杂，AR 频发），结论未必普适；
• • AI 模型具体架构未披露（是否可微调？是否使用物理约束？）；
• • 未探讨集合预报或不确定性量化（但引用了 Price et al. 2025 关于概率 ML 预报的工作）。

📌 五、未来方向（作者暗示）

• • 开发融合物理约束的 AI 模型（如 Camps-Valls et al. 2025 提倡的“AI + 过程理解”）；
• • 利用生成式 AI（如扩散模型） 改善极端事件模拟（引用了 Pathak et al. 2024, Addison et al. 2024）；
• • 构建面向极端事件的专用损失函数，避免模型过度平滑。

📚 相关文献支撑（文中引用亮点）

• • Reichstein et al. (2019)：倡导“数据驱动 + 物理理解”融合；
• • Ralph et al. (2020)：大气河侦察与预报挑战；
• • Price et al. (2025, Nature)：机器学习概率预报；
• • Sun et al. (2025, PNAS)：AI 模型对“灰天鹅”热带气旋的预测能力有限。

✅ 总结一句话：

当前 AI 天气模型在常规天气预报中表现出色，但在预测极端降水（如强大气河）时仍系统性低估强度；高分辨率物理模型（如 West-WRF）在极端事件中更具可靠性，未来需发展兼顾物理真实性和 AI 效率的新一代混合模型。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。