AIFL：基于 ERA5-Land 预训练、在 IFS 上微调的全球日流量预测模型
机器学习
2026-02-19 v1 人工智能
应用物理
摘要
可靠的全球流量预测对于防洪和水资源管理至关重要，但数据驱动模型在从历史再分析迁移到操作预报产品时常常存在性能差距。本文介绍 AIFL（Artificial Intelligence for Floods），这是一种基于确定性 LSTM 的模型，旨在进行全球日流量预测。在来自 CARAVAN 数据集的 18,588 个流域上训练的 AIFL 利用一种新颖的两阶段训练策略来弥合再分析与预报之间的领域迁移。该模型首先在 40 年的 ERA5-Land 再分析数据（1980-2019）上预训练，以捕获稳健的水文过程，然后在操作性集成预报系统（IFS）控制预报（2016-2019）上进行微调，以适应操作数值天气预报的特定误差结构和偏差。据我们了解，这是首个在 CARAVAN 生态系统内端到端训练的全球模型。在独立的时空测试集（2021-2024）上，AIFL 实现了中位数修正 Kling-Gupta 效率（KGE'）为 0.66， Nash-Sutcliffe 效率（NSE）为 0.53。基准测试结果表明，AIFL 在当前最先进的全球系统中具有高度竞争力，在保持透明和可重复强制流程的同时，实现了可 comparable 的准确度。该模型在极端事件检测方面表现出卓越的可靠性，为全球水文学界提供了一条简便且操作上稳健的基线。
引用
@article{arxiv.2602.16579,
title = {AIFL: A Global Daily Streamflow Forecasting Model Using Deterministic LSTM Pre-trained on ERA5-Land and Fine-tuned on IFS},
author = {Maria Luisa Taccari and Kenza Tazi and Oisín M. Morrison and Andreas Grafberger and Juan Colonese and Corentin Carton de Wiart and Christel Prudhomme and Cinzia Mazzetti and Matthew Chantry and Florian Pappenberger},
journal= {arXiv preprint arXiv:2602.16579},
year = {2026}
}