AIFS-SUBS：将数据驱动预报扩展到次季节时间尺度
大气与海洋物理
2026-07-06 v1 人工智能
摘要
数据驱动模型现在在中程范围内可与数值天气预报相媲美，但将它们扩展到次季节预报时效会带来在较短时间范围内不存在的挑战。误差在长时间自回归滚动中累积，系统偏差随预报时效增长，并且必须留出多年的数据进行独立验证，尽管机器学习模型在其他方面受益于更长的训练记录。为了解决这些挑战，我们改编了ECMWF的AIFS-CRPS中程模型。AIFS-SUBS采用24小时自回归时间步长以减少误差累积，添加平流层水平和大气层顶热辐射作为预测因子，并保留2007-2011年作为独立验证窗口。我们评估了两种配置：在业务分析上微调的AIFS-SUBS，以及仅基于ERA5训练的AIFS-SUBS-ERA5。在第2-6周，AIFS-SUBS在概率技能上匹配业务综合预报系统（IFS），同时减少系统偏差。对于马登-朱利安振荡（MJO）的对流（OLR）分量，AIFS-SUBS相对于IFS将技能预报（相关性>0.5）延长了八天，同时在完整的多元RMM指数上匹配或超过IFS。AIFS-SUBS也再现了观测到的MJO对热带气旋活动的调制。平流层技能尤其强大，AIFS-SUBS再现了平流层突然增温（SSW）的频率和地表影响。在AI Weather Quest中，AIFS-SUBS-ERA5在第3周和第4周获得了略优于IFS的变量平均排序概率技能评分。在推理时，AIFS-SUBS使用的能量约为IFS的200分之一，为更大的实时集合预报打开了大门。AIFS-SUBS是ECMWF首个针对次季节时间尺度的机器学习模型。
引用
@article{arxiv.2607.05100,
title = {AIFS-SUBS: Extending Data-Driven Forecasting to Sub-Seasonal Timescales},
author = {Jakob Schloer and Steffen Tietsche and Christopher D. Roberts and Lorenzo Zampieri and Simon Lang and Gert Mertes and Gareth Jones and Matthew Chantry and Frederic Vitart},
journal= {arXiv preprint arXiv:2607.05100},
year = {2026}
}