评估拉伸网格深度学习天气预测模型捕捉物理平衡的能力
大气与海洋物理
2026-04-03 v1
摘要
天气预报传统上依赖数值天气预报（NWP）模型，通过求解控制流体方程来模拟天气。最近，深度学习天气预测（DLWP）模型的出现开启了天气预报的新纪元，提供了经典 NWP 方法的数据驱动替代方案。区域 DLWP 模型如挪威气象研究所开发的拉伸网格模型 Bris，在一系列标准预报指标上表现出与区域 NWP 模型相当甚至略优的性能。通过克服此前制约全球数据驱动模型的粗水平分辨率，区域 DLWP 系统的业务应用前景日益明朗。然而，此类模型在极端事件中的表现通常不如区域 NWP 模型，且对其生成物理真实预报能力的全面评估仍然缺乏。本文比较了 Bris 的确定性版本与业务化 MetCoOp 集合预测系统（MEPS）控制运行在预测 2023 年 7 月 5 日袭击荷兰的强温带气旋 Poly 时的物理一致性。我们检验了 Bris 是否准确表示了关键大气平衡的偏差，以及是否再现了风暴的预期动力学。我们表明，尽管 Bris 在均方根误差（RMSE）方面表现相对良好，但它难以捕捉该事件的重要中尺度特征，并且显著扰乱了多个大气平衡。这种不真实的扰动主要与其输出场中的细尺度噪声有关，导致了不正确且不真实的空间梯度。这些结果对改进 AI 模型以更好地表征极端事件以及确保其预测的物理一致性提出了关键问题。
引用
@article{arxiv.2604.01454,
title = {Assessing the ability of a stretched-grid deep-learning weather prediction model to capture physical balances},
author = {Francesco Pasquini and Michiel Baatsen and Bastien François and Natalie Theeuwes and Maurice Schmeits},
journal= {arXiv preprint arXiv:2604.01454},
year = {2026}
}
备注
21 pages, 13 figures