极端天气基准：用于高影响天气评估的框架与基准
机器学习
2026-05-05 v1
摘要
预测全球范围内经验的各种高影响天气事件是人工智能 (AI) 和数值天气预报 (NWP) 模型的挑战，关键在于此类模型在部署前必须得到proper verification。尽管 AI 天气模型正在快速发展，但其评估目前要么在全球尺度上进行，要么通过挑选少数案例研究或特定地区。一个聚焦高影响天气的广泛使用开源基准套件将有助于推动其他 AI 领域的科学进步。本文介绍 Extreme Weather Bench (EWB)，一个新的社区驱动基准套件，旨在促进对全球各地人民关心的各种高影响灾害的模型验证和验证。EWB 提供一套标准案例研究（跨多个空间和时间尺度以及不同天气谱部分）、观测数据、基于影响的指标以及用于用户评估其模型的开源代码。验证模型在尤其是对大众高影响事件的标准案例研究中有效工作，是提高 AI 模型可信度的关键要素。EWB 将推动所有天气模型的科学进步，使模型之间实现真正的比较，并通过案例研究在特定高影响现象上评估模型。EWB 是一个免费开源社区驱动系统，将继续演进以包括额外的现象、测试案例和指标，与全球天气和预报验证社区合作。
引用
@article{arxiv.2605.01126,
title = {Extreme Weather Bench: A framework and benchmark for evaluation of high-impact weather},
author = {Amy McGovern and Taylor Mandelbaum and Daniel Rothenberg and Nicholas Loveday and Corey Potvin and Montgomery Flora and Linus Magnusson and Eric Gilleland and John Allen},
journal= {arXiv preprint arXiv:2605.01126},
year = {2026}
}