一种基于物理引导的 AI 级联纠错模型显著扩展了玛登-贾里安振荡（MJO）预测技能
机器学习
2025-10-28 v1 人工智能
大气与海洋物理
摘要
玛登-贾里安振荡（Madden-Julian Oscillation, MJO）是全球气候极端事件的重要驱动因素，但在操作性动力学模型中进行 MJO 预测仍具有挑战性，通常只能实现 3-4 周的准确预报。本文引入一种新型深度学习框架，即物理引导的 MJO 级联纠错模型（Physics-guided Cascaded Corrector for MJO, PCC-MJO），其作为一种通用的后处理器，用于纠正动力学模型对 MJO 的预测。该两阶段模型首先采用基于物理的 3D U-Net 对时空场误差进行校正，然后利用为提高预报技能而优化的 LSTM 对 MJO 的 RMM 指数进行细化。当应用于来自 CMA、ECMWF 和 NCEP 的三种不同操作预报时，我们的统一框架一致将准确预报范围（双变量相关性 > 0.5）延长了 2-8 天。关键在于，该模型有效缓解了“海洋区域屏障”，实现了更真实的向东传播和振幅维持。可解释 AI 分析定量地表明，模型的决策过程在空间上与观测到的 MJO 动力学高度吻合（相关性 > 0.93），表明其学习的是物理上有意义的特征而非纯统计拟合。我们的工作为突破亚季节性预报中的长期瓶颈提供了一条具备物理一致性、计算高效且高度可推广性的路径。
引用
@article{arxiv.2510.21796,
title = {A Physics-Guided AI Cascaded Corrector Model Significantly Extends Madden-Julian Oscillation Prediction Skill},
author = {Xiao Zhou and Yuze Sun and Jie Wu and Xiaomeng Huang},
journal= {arXiv preprint arXiv:2510.21796},
year = {2025}
}