DeepMedcast：一种用于生成多个NWP模型之间中间天气预报的深度学习方法

全球各地的气象预报中心运营多种NWP模型。此外，近期进展表明，AI驱动的NWP模型进一步增加了NWP输出的可用性。尽管这种扩张有望提高预报准确度，但提出了一个关键问题：哪个预测最为可信？如果NWP模型的准确度相当，提前无法确定哪一个最佳。传统方法，如集合或加权平均，将多个NWP输出组合生成单个提高准确度的预报。然而，这些方法常导致气象学上不真实且难以解释的输出，例如，热带气旋中心或气象边界被分割为多个独立系统。为此，我们提出DeepMedcast，一种深度学习方法，用于生成两个或多个NWP输出之间的中间预报。不同于平均值，DeepMedcast提供的预测中，气象学上关键特征——如热带气旋、Extratropical气旋、气线和切盾线的位置——大约与输入NWP模型预测的相应特征的算术平均值相吻合，且不会扭曲气象结构。我们通过案例研究和验证结果展示了DeepMedcast的能力，表明其产生的预报在现实且可解释，准确度高于输入NWP模型。通过提供可信的中间预报，DeepMedcast可以显著提高操作预报任务的效率和标准化，包括一般预报、海上预报和航空预报。