HourGlass：一种用于全球和区域天气预报的概率数据驱动时间降尺度方法

许多预报应用需要高频率的时间分辨率，然而大多数最先进的数据驱动天气预报系统以6小时间隔运行。虽然直接进行逐小时预报是可能的，但它存在误差累积和时间不一致性问题。我们介绍了HourGlass，一种概率数据驱动的时间降尺度方法，它重建预报状态之间的演变。HourGlass使用连续排名概率分数（CRPS）的变体进行训练，在鼓励时间一致性的同时保留小尺度空间变率。与现有的倾向于产生过度平滑场的确定性时间降尺度方法不同，HourGlass生成逼真的概率预报。在预报轨迹而非再分析或分析数据上进行训练，也避免了先前方法所用数据集中存在的时间不一致性。我们在两种设置下评估了HourGlass：AIFS-HourGlass，全局应用于ECMWF的AIFS-Single和AIFS-ENS预报系统；以及Bris-HourGlass，区域应用于MET Norway的高分辨率拉伸网格集合模型Bris。与观测数据的对比验证表明，两种模型都保留了其基础预报系统的技能，同时产生具有真实小尺度变率的时间相干逐小时预报。案例研究展示了在快速发展天气事件（包括温带气旋和组织化对流）期间物理一致的演变。逐小时降水仍具有挑战性：HourGlass改善了降水场的空间真实性，但仍然低估了最强烈的极端事件，这是数据驱动天气预报模型的常见局限性。这些结果表明，HourGlass有效地弥合了6小时数据驱动预报与业务化区域和全球预报所需的逐小时产品之间的差距。