基于深度学习敏感性分析的2021年太平洋西北热浪可预报性极限

估计天气预报对初始条件敏感性的传统方法使用伴随模型，由于围绕控制预报进行线性化，该方法仅限于较短的预报时效。深度学习框架的出现提供了一种新方法，利用反向传播和梯度下降迭代优化初始条件以最小化预报误差。我们将该方法应用于使用GraphCast模型对2021年6月太平洋西北热浪的预报，使得太平洋西北地区10天预报误差降低了90%以上。使用GraphCast导出的最优初始条件初始化Pangu-Weather模型预报也发现了类似的改进，表明模型误差并非初始扰动的重要组成部分。从初始扰动中消除小尺度也能带来类似的预报改进。延长优化窗口长度，我们发现预报改进可持续约23天，表明大气可预报性处于近期估计的上限。