基于图神经网络的高分辨率瑞士区域 nowcasting 观察引导插值

近期的神经天气预测进展显示出显著的准确短期预测潜力。然而，将此类网格化方法应用于瑞士等坡度复杂的区域引入计算挑战，尤其是当目标是高空间（1km）和高时间（10分钟）分辨率时。本文提出了一种基于图神经网络（GNN）的高分辨率 nowcasting 方法，采用 Anemoi 框架并利用观测输入。该方法结合了表面观测与选取的过去和未来的数值天气预报（NWP）状态，实现了一种提升短期准确性同时保持物理一致性的观察引导插值策略。我们评估了两个模型：一个使用 local nowcasting 分析训练，另一个不使用训练，在多个表面变量上进行比较，并与操作性高分辨率 NWP（ICON-CH1）和 nowcasting（INCA）基准进行比较。测试期间的结果表明，两个 GNN 在大多数变量和 lead 时间上均优于 ICON-CH1。相对于 INCA 预报系统，相对于 INCA 分析数据的得分显示 AI 模型在超过 2 小时的领先优势（早期 lead 时间的劣势归因于 INCA 基于分析的温暖启动），而针对独立站点的验证显示 AI 模型在短期 lead 时间没有系统性退化且在大多数表面变量中经常优于 INCA。包括空间技能评分（降水）、成对显著性检验和基于事件的评估在内的全面验证程序表明了该方法在山地地区的实际相关性。这些结果表明，高分辨率、观察引导的 GNN 能够匹配或超过 established 预测系统的技能水平进行短期预测，包括在不使用 nowcasting 分析训练的情况下。