评估Aurora等AI天气预报模型对特定天气极端事件的可预测性
大气与海洋物理
2026-03-09 v1
摘要
AI 天气基础模型在计算成本远低于数值天气预报的情况下已实现相当的预报技能，但其在不同动力学制度下对高影响极端事件的可预测性仍不确定。我们使用基于事件的框架评估Aurora，涵盖热带气旋、冻结事件、热浪、大气河流和极端降雨，lead time 从1到21天。Aurora 在1-7天的短期范围内展现出强大的预报技能，包括具竞争力的热带气旋路径精度和对温度和水汽极端值的高空间一致性。然而，一个持续的亚季节性失效模式浮现：尽管在14-21天的lead time范围内，大尺度循环模式保持中等预报技能，但基于阈值的极端强度衰退，场值回归到气候学。这种分歧表明，Aurora保留了同步尺度的动力学结构，但在7-10天之后丢失了表面影响幅度。因此，确定性AI极端事件预报的实际可预测时间尺度受到大气内在动力学的限制。
引用
@article{arxiv.2603.06516,
title = {Evaluating the Predictability of Selected Weather Extremes with Aurora, an AI Weather Forecast Model},
author = {Qin Huang and Moyan Liu and Yeongbin Kwon and Upmanu Lall},
journal= {arXiv preprint arXiv:2603.06516},
year = {2026}
}