HRRRCast：用于对流可分辨尺度区域天气预报的数据驱动模拟器
大气与海洋物理
2025-07-09 v1 机器学习
摘要
高分辨率快速刷新模型是一种用于美国本土业务天气预报的对流可分辨模型。为了提供一种计算高效的替代方案，我们引入了HRRRCast，这是一个基于先进机器学习技术构建的数据驱动模拟器。HRRRCast包含两种架构：基于ResNet的模型和基于图神经网络的模型。ResHRRR使用通过挤压激励块和特征线性调制增强的卷积神经网络，并通过去噪扩散隐式模型支持概率预报。为了更好地处理较长的预报时效，我们训练一个单一模型来预测多个预报时效（1小时、3小时和6小时），然后在推理过程中使用贪婪展开策略。当使用3到10个成员的集合在美国本土全区域上对组合反射率进行评估时，ResHRRR在弱降雨阈值（20 dBZ）下优于HRRR预报，并在中等阈值（30 dBZ）下取得了有竞争力的性能。我们的工作推进了Pathak等人的StormCast模型，具体改进包括：a) 在全美国本土区域上训练，b) 使用多个预报时效以提高长期预报技巧，c) 使用分析数据而非StormCast中无意使用的+1小时后分析数据进行训练，以及d) 纳入未来的GFS状态作为输入，从而实现改善长期预报精度的降尺度。基于格点、邻域和目标的指标证实，与HRRR相比，我们的方法具有更好的风暴定位、更低的频率偏差和更高的成功率。HRRRCast集合预报还保持了更清晰的空间细节，其功率谱与HRRR分析数据更为匹配。虽然GraphHRRR目前的形式表现不佳，但它为未来基于图的预报奠定了基础。HRRRCast代表了向高效、数据驱动的区域天气预报迈出的一步，具有有竞争力的精度和集合预报能力。
引用
@article{arxiv.2507.05658,
title = {HRRRCast: a data-driven emulator for regional weather forecasting at convection allowing scales},
author = {Daniel Abdi and Isidora Jankov and Paul Madden and Vanderlei Vargas and Timothy A. Smith and Sergey Frolov and Montgomery Flora and Corey Potvin},
journal= {arXiv preprint arXiv:2507.05658},
year = {2025}
}