FengWu-W2S: 一种深度学习模型，用于全球大气的无缝天气到次季节性预报

FengWu-W2S是一款基于FengWu全球天气模型的深度学习模型，实现了海-气-陆耦合和多样化扰动策略，能无缝生成长达42天的6小时天气预报。该模型能可靠预测未来3-6周的大气状况，增强了对全球气温、降水、位势高度和次季节信号如MJO及NAO的预测能力，为未来AI集成天气-气候预报系统的发展提供了新路径。

研究背景

在气象气候服务领域，能够基于单一系统连续时间尺度产生预警信息的无缝预报技术一直是业界的长期追求。随着深度学习的快速发展，传统预报领域经历了革命性的变化。然而，目前的研究工作主要集中在为天气和气候预报构建独立的人工智能模型。为了探索基于单一人工智能模型的无缝预报能力，我们提出了FengWu-Weather到次季节性（FengWu-W2S），该模型在FengWu全球天气预报模型的基础上，结合了海-气-陆耦合结构和多样化的扰动策略。FengWu-W2S能够以自回归和无缝的方式生成长达42天的6小时大气预报。我们的回报结果表明，FengWu-W2S能够可靠地预测大气条件达3-6周，增强了对全球表面气温、降水、位势高度和次季节性信号如Madden-Julian Oscillation（MJO）和North Atlantic Oscillation（NAO）的预测能力。此外，我们的消融实验从日尺度到季节尺度揭示了预报误差增长的潜在路径，为未来基于AI的集成天气-气候预报系统的发展提供了可能的途径。

https://arxiv.org/abs/2411.10191

研究意义

在过去几十年中，对不同时间尺度的准确天气和气候预报的需求不断增加，这促使人们开发基于动力模型的无缝预测系统。这些系统旨在为决策者提供日常、次季节性、季节性、年际和十年际的预报。然而，这种传统方法需要巨大的计算资源，面临重大挑战和进展缓慢。近年来，基于AI的模型的快速发展改变了全球天气预报，提供了创新的方法和视角。与传统动力模型相比，AI模型因其优越的预测准确性而越来越受到认可。鉴于它们能够快速、高效、经济地生成预报，一个问题是：当前基于AI的中长期天气预报模型能否以无缝的方式扩展到更长的时间尺度，提供准确的预测？尽管许多现有的AI模型试图通过降低时间分辨率和重构框架来提供不同时间尺度的预报，但这些方法往往无法准确捕捉不同时间尺度之间的复杂相互作用，并不代表一个真正将天气和气候无缝链接的集成预报系统。相比之下，传统动力模型通过耦合动力模型的发展和集合预报策略的实施，已经朝着无缝预测取得了进展。这些方法已被证明在捕捉多尺度相互作用和提高预报技巧方面是有效的。这引出了另一个关键问题：这些传统技术是否可以应用于当前基于AI的天气模型，使它们也能够捕捉多尺度相互作用，并从天气到气候无缝地产生扩展和改进的预报？

研究方法和数据

为了回答这些问题，我们提出了FengWu-W2S，这是中长期AI天气模型（FengWu）的扩展。基于对过去二十年的回报的评估，我们发现FengWu-W2S能够准确预测长达3到6周的大气条件，并且与传统数值模型相比，它还显著增强了对次季节性现象如MJO和NAO的预报。此外，我们探索了FengWu-W2S预报更高准确性的可能原因。我们的结果表明，应用于动力模型的方法也可以应用于当前的AI模型，以改进和生成天气-次季节性预报。这表明AI模型也可以为开发“一体化无缝预报系统”提供一条可行的路径。

FengWu-W2S采用了与FengWu相同的预测框架，使用6小时的初始场每6小时生成一次预报，持续42天（即168次迭代）。为了增强大气、海洋和陆地之间相互作用的表示，我们增加了更多相关变量和次季节性可预测性源。在模型构建过程中，我们的目标是更好地模拟海洋-大气和陆地-大气耦合，重点关注表面变量的交换。与FengWu天气预报模型不同，后者聚合了所有表面变量的特征，我们设计了一个特征提取模块，通过模块间交互明确表示三个组件之间的能量和质量交换。此外，我们引入了多成员集合策略，以提供概率性和更好的预报，包括初始条件扰动和自适应可控模型扰动。它们被用来估计初始条件和AI模型参数的不确定性，并能更好地捕捉次网格物理过程和极端事件。

研究结论

首先，我们评估了FengWu-W2S对最重要变量的周异常的预报技巧（时间异常相关系数，ACC），这些变量包括2米气温（T2m）、总降水量（TP）、500百帕位势高度（Z500）和外向长波辐射（OLR）。有趣的是，在等待多年回报生成的同时，我们发现FengWu-W2S在使用观测气候学时表现出意外的高预报技巧，特别是对降水的预报。此外，无论使用观测（FengWu-W2So）还是模型气候学（FengWu-W2Sm），FengWu-W2S的预测技巧始终优于传统方法，包括动力和当前AI模型，尤其是对T2m和Z500的预测，即使迭代预报步骤数量大大增加。

我们还展示了在3-4周和5-6周的领先时间内预测降水和2米气温异常的空间分布的确定性和概率性技巧。2米气温预测的ACC技巧表明，3-4周的领先时间内的预报可以正确捕捉全球大部分地区的气温相位变化。然而，在5-6周的领先时间内，中高纬度地区出现了负预报技巧，如东亚沿海和北大西洋，无论使用FengWu-W2So还是FengWu-W2Sm。相比之下，赤道海洋中的显著气候信号，如El Niño-Southern Oscillation和Indian Ocean Dipole，继续显示出相对较强的预测技巧，表明FengWu-W2S有效地捕捉了持久的气海相互作用。尽管如此，FengWu-W2S在某些地区，如东赤道太平洋，难以准确预测极端热浪事件，其中计算的90百分位（BSS）的Brier技巧分数显著低于5-6周领先时间的气候学预报。此外，基于概率预测的三分位数排名概率技巧分数（RPSS）表明，即使在5-6周的领先时间内，准确预测陆地区域的温度变化仍然具有挑战性，FengWu-W2S的预测通常低于气候学预报。关于降水预报，尽管大多数地区表现出积极的预测技巧，但总体技巧相对较低。频繁热带降水的地区，特别是赤道地区，显示出更高的预测技巧。有趣的是，与基于模型气候学的降水预报技巧（即ACC）相比，基于观测气候学的技巧显示出相对较高的TCC在热带之外。

不足与讨论

FengWu-W2S模型有几个不足之处，包括其无法模拟突发性平流层突然变暖（SSW）、缺乏海冰信号，以及仅有1.4°的粗糙空间分辨率。提高模型的分辨率和纳入额外的物理过程可能会进一步提高其在天气-次季节性时间尺度上的预报能力。此外，当前的集合预报技巧可以通过各种集合策略修改接近或甚至超过IFS-ENS在中长期天气预报上的表现。在未来，开发更多样和可靠的扰动策略，如育种向量和条件非线性最优扰动，可能会进一步提高预报准确性。最后，我们生成了超过300 TB的回报数据，计算成本远远超过了模型训练的成本。令人惊讶的是，我们发现使用AI模型自己的气候学并不能帮助纠正系统偏差以获得更好的技巧，尽管这通常对评估传统动力模型预报是正确的。这引发了一个有趣的问题。AI模型使用原始数据作为回归目标，专注于紧密匹配观测值，而不是使用偏微分方程模拟大气演变。因此，统计模型是否拥有气候学仍然是一个有争议的问题。尽管我们进行了广泛的数值实验，这仍然是一个未解决的谜题，未来的研究将更深入地探讨这个问题。如果利用观测气候学可以增强预报性能，我们可能会消除对冗余回报数据的需求，显著降低总体计算成本。

未来工作方向

在未来，我们可以借鉴为传统模型开发的技术和方法，将其提炼并应用于AI模型以提高预报技巧。这些方法表明了未来发展无缝预测甚至一体化预报系统的新途径。然而，当前的FengWu-W2S模型有几个不足之处，包括其无法模拟突发性平流层突然变暖（SSW）、缺乏海冰信号，以及仅有1.4°的粗糙空间分辨率。提高模型的分辨率和纳入额外的物理过程可能会进一步提高其在天气-次季节性时间尺度上的预报能力。此外，当前的集合预报技巧可以通过各种集合策略修改接近或甚至超过IFS-ENS在中长期天气预报上的表现。在未来，开发更多样和可靠的扰动策略，如育种向量和条件非线性最优扰动，可能会进一步提高预报准确性。

作者和单位信息

• • Fenghua Ling, Kang Chen, Jiye Wu, Tao Han, Jing-Jia Luo, Wanli Ouyang, Lei Bai

• • Affiliations: 1Shanghai AI Laboratory, Shanghai, China; 2Institute for Climate and Application Research (ICAR)/School of Future Technology /CIC-FEMD, Nanjing University of Information Science and Technology, Nanjing, China

以上是对文章的详细解读，如有不当之处欢迎批评指出！也可以私信小编（Earth_Ai）。

声明：本公众号分享的资源均来自于互联网的公开资源，仅供个人学习和研究使用，不代表本人对其版权、真实性、合法性、准确性等方面做出任何保证。任何使用本号分享的资源的个人或组织，需自行承担相应的法律责任和后果；本号不承担任何法律责任和连带责任。使用本号分享的资源即代表您已完全了解并同意本免责声明的所有内容。