从 AI 天气预报到基础设施韧性：热带风暴影响的纠正-下采样框架
系统与控制
2026-03-16 v1 机器学习
系统与控制
摘要
本文解决基础设施韧性的一个缺失能力：将快速的全球 AI 天气预报转化为面向资产的、可操作的风险。我们引入 AI 基于纠正-下采样框架（ACDF），将粗糙的 AI 天气预测（AIWP）转化为 500 米尺度的无偏风场以及电力传输塔杆/线路失效概率，用于热带风暴。ACDF 将风暴尺度的偏差校正与地形感知的下采样分离，防止误差传播，同时恢复支撑结构荷载的亚公里尺度变异性。在针对浙江中国的 11 场台风进行留一风暴交叉验证评估后，ACDF 将站点风速均方绝对误差（MAE）降低 38.8%，与观测同化的中尺度分析相吻合，却在单张 GPU 上仅用 25 秒运行 12 小时循环。在台风八金案例中，ACDF 再现了观测到的高风速尾部，识别出沿海高风险走廊，并标记了失效的电力线路，展示了在塔杆和线路尺度上可操作的指导。ACDF 为从 AI 全球预报到关键基础设施的运行中、基于影响力的预警提供了一条完整的路径。
引用
@article{arxiv.2603.12828,
title = {From AI Weather Prediction to Infrastructure Resilience: A Correction-Downscaling Framework for Tropical Cyclone Impacts},
author = {You Wu and Zhenguo Wang and Naiyu Wang},
journal= {arXiv preprint arXiv:2603.12828},
year = {2026}
}