评估极端降水预报：基于阈值加权的空间验证方法用于比较AI天气预测模型与高分辨率NWP模型
大气与海洋物理
2025-10-30 v1
摘要
近期AI天气预测技术的进步推动了人工智能天气预测（AIWP）模型的发展，其预测技能与传统NWP模型相当，但计算成本显著降低。迫切需要合适的方法来评估其预测极端天气事件的能力，尤其是在空间连贯性重要且模型分辨率不同时。我们引入一种验证框架，结合空间验证方法与proper scoring rules。该框架扩展了High-Resolution Assessment（HiRA）方法，引入阈值加权评分规则。它实现了面向用户的评估，符合运营气象学家或简单后处理系统中对预报解释方式的一致性。该方法通过灵活加权不同决策阈值的相对重要性，支持针对极端事件的精准评估。我们通过对比32个月的AIWP模型与高分辨率NWP模型降水预报，展示了该框架的实际应用。结果表明，模型排名对邻域大小的选择较为敏感。增加邻域大小对高分辨率NWP模型评估极端事件性能的影响大于AIWP模型。在相当的邻域大小下，仅在短期预报时间内，高分辨率NWP模型在预测极端降水事件方面才超过AIWP模型。我们还演示了该方法如何扩展用于评估重度降水的判别能力。我们发现，高分辨率NWP模型在短期预报时间内具有更优的判别能力，而从24小时预报时间起，AIWP模型的判别能力略优于后者。
引用
@article{arxiv.2510.25045,
title = {Evaluating Extreme Precipitation Forecasts: A Threshold-Weighted, Spatial Verification Approach for Comparing an AI Weather Prediction Model Against a High-Resolution NWP Model},
author = {Nicholas Loveday and Tracy Hertneky},
journal= {arXiv preprint arXiv:2510.25045},
year = {2025}
}