拉伸网格与有限面积建模在数据驱动区域气象预报中的比较
大气与海洋物理
2025-07-28 v1 机器学习
摘要
基于图神经网络的区域机器学习气象预报 (MLWP) 模型最近在预测准确性和计算成本方面表现出显著优势，超过了数值气象预报模型。特别是有限面积模型 (LAM) 和拉伸网格模型 (SGM) 方法已用于生成高分辨率区域预报，基于来自区域（再分析）的初始条件。虽然 LAM 使用来自外部全局模型的侧向边界，而 SGM 包含较低分辨率的全局域。本研究旨在了解模型设计的不同如何影响相对性能和潜在应用。具体而言，确定了这两种方法在生成欧洲区域确定性预报方面的优势和不足。使用 Anemoi 框架，我们通过最小化地改编共享架构并使用全局和区域再分析在接近相同的 setup 下构建了两种类型的模型。进行了多个推断实验，以探讨它们的相对性能并突出显示关键差异。结果表明，LAM 和 SGM 都是具有竞争力的确定性 MLWP 模型，预测性能在区域域内 generally accurate and comparable。在 various applications 中，两者的性能存在差异。LAM 能够成功利用高质量的边界强制条件进行区域域内预测，在全球数据难以获取的情境下具有优势。SGM 作为完全自包含的模型便于操作，能够利用更多训练数据，在（时间）可扩展性方面显著优于 LAM。我们的论文可作为气象研究所在开发操作数据驱动预报系统时选择 LAM 与 SGM 的起点。
引用
@article{arxiv.2507.18378,
title = {A comparison of stretched-grid and limited-area modelling for data-driven regional weather forecasting},
author = {Jasper S. Wijnands and Michiel Van Ginderachter and Bastien François and Sophie Buurman and Piet Termonia and Dieter Van den Bleeken},
journal= {arXiv preprint arXiv:2507.18378},
year = {2025}
}