基于 Pangu-Weather 架构与 IMDAA 再分析数据的印度数据驱动天气预报系统开发
大气与海洋物理
2025-03-18 v1
摘要
近年来，数值天气预报（NWP）取得了显著进展，但在准确性、计算效率和可扩展性方面仍面临挑战。数据驱动天气模型展现出巨大潜力，有时甚至超越了业务化 NWP 系统。然而，在海量数据集上训练这些模型会产生高昂的计算成本。区域数据驱动方法为局部预报提供了一种高性价比的替代方案。本研究通过高效改进 Pangu-Weather (PW) 架构，开发了一个针对印度的区域天气预报模型。该模型使用印度季风数据同化与分析（IMDAA）再分析数据集进行训练，且所需计算资源有限。预测结果采用均方根误差（RMSE）、异常相关系数（ACC）、平均绝对百分比误差（MAPE）和分数技巧评分（FSS）进行评估。在 6 小时预报时效内，MAPE 保持在 5% 以下，FSS 超过 0.86，ACC 保持在 0.94 以上，证明了模型的鲁棒性。研究比较了三种预报方法：静态方法、自回归方法和层次方法。在所有情况下，误差均随预报时效增加而增大。静态方法的误差指标呈现周期性波动，而自回归方法中不存在此类波动。层次方法同样表现出波动，但在三天后波动强度有所减弱。其中，层次方法在保持计算效率的同时表现最佳。此外，该模型利用层次方法有效预测了气旋路径，取得了与观测和再分析数据集相当的结果。
引用
@article{arxiv.2503.12956,
title = {Development of a Data-driven weather forecasting system over India with Pangu-Weather architecture and IMDAA reanalysis Data},
author = {Animesh Choudhury and Jagabandhu Panda},
journal= {arXiv preprint arXiv:2503.12956},
year = {2025}
}