混合物理-AI模型在极端降水预报中超越数值天气预报
大气与海洋物理
2025-02-14 v1
摘要
降水预报对于洪水紧急情况和河流管理至关重要，已困扰数十年。尽管近期深度生成模型（DGM）的发展表明可能实现改进。田纳西谷权威等河流管理中心一直使用数值天气预报（NWP）模型进行预报，但面临即使在最优NWP模型下仍会漏检的挑战。尽管数十年的研究仅在平流和局部演化方面取得有限改进，最近的尝试表明物理自由的机器学习（ML）方法取得了进展，物理嵌入式ML方法取得了更大的改进。DGM开发者与光流（一种平流变体）和气象学家的判断进行比较，但未与NWP模型进行比较，也未与水资源和河流管理者进行独立共同评估。本文表明，最先进的物理嵌入式深度生成模型——尤其是NowcastNet——在数值天气预报（HRRR）模型（最新一代NWP）、平流和持久性等方面取得了优势，尤其是在重大降水事件方面。对于超过16 mm/h的格点极端值，NowcastNet显示出中位值为0.30的临界成功指数（CSI），而HRRR的中位CSI为0.04。尽管NowcastNet在点预测中实现了水文学上相关的改进，但仍存在风险：在较长的预报时间段内，对空间聚合降水的过度估计。我们与ML开发者、水文学家和河流管理者进行的共同评估表明，改进的洪水紧急响应和水力发电管理的可能性。
引用
@article{arxiv.2407.11317,
title = {Hybrid physics-AI outperforms numerical weather prediction for extreme precipitation nowcasting},
author = {Puja Das and August Posch and Nathan Barber and Michael Hicks and Thomas J. Vandal and Kate Duffy and Debjani Singh and Katie van Werkhoven and Auroop R. Ganguly},
journal= {arXiv preprint arXiv:2407.11317},
year = {2025}
}