HealDA：突出 end-to-end AI 气象预报中初始误差的重要性
摘要
AI 气象模型在中长期预报技能方面已与领先的数值天气预报（NWP）系统相当。然而，几乎所有模型仍依赖 NWP 数据同化（DA）提供初始条件，绑定于昂贵的基础设施，限制了机器学习的实际速度和准确性优势。更近期，提出了基于机器学习的 DA 系统，这些系统通常以 end-to-end 方式训练和评估，使难以评估其分析场的质量。我们引入 HealDA，一个基于机器学习的全局 DA 系统，通过将卫星和常规观测在短时间窗口内直接映射到 HEALPix 网格上的 1 度大气态，实现了较少的传感器套件即可服务于 operational NWP。我们严格将 HealDA 视为 DA 模块：其分析结果用于初始化即用的机器学习预报模型，且无需对任何模型进行微调。对于包括 FourCastNet3（FCN3）、Aurora 和 FengWu 在内的多种即用机器学习预报模型，HealDA 初始化的预报在对比 ERA5 时，有效预报时长损失不足一天。HealDA 初始化的 FCN3 集合预报同样落后于 ECMWF IFS ENS 系统不足 24 小时。我们发现，这些模型从 HealDA 初始化后的预报误差增长情况未变，技能差距主要源于 HealDA 分析的初始误差更大。谱分析揭示，这源于对大尺度和上对流层场的过拟合。我们还展示了小小的验证设置变化即可使显现技能差异达 12--24 小时，凸显了需要一致评分的重要性。综上，这些结果阐明了基于机器学习的 DA 系统的当前性能，表明一个相对简单、直接的观测到状态网络即可为来自 state-of-the-art 机器学习预报模型提供可用初始条件，仅带来中长期技能的适度损失。
引用
@article{arxiv.2601.17636,
title = {HealDA: Highlighting the importance of initial errors in end-to-end AI weather forecasts},
author = {Aayush Gupta and Akshay Subramaniam and Michael S. Pritchard and Karthik Kashinath and Sergey Frolov and Kelsey Lieberman and Christopher Miller and Nicholas Silverman and Noah D. Brenowitz},
journal= {arXiv preprint arXiv:2601.17636},
year = {2026}
}
备注
Added ablation on the impact of Level 2 inputs in Supplementary Information A.12