揭示可学习扰动集合预测模型在热带风暴预测中的潜力
机器学习
2025-10-29 v1
摘要
热带风暴 (TC) 是高度破坏性且本质上不确定的天气系统。集合预报有助于量化这些不确定性，但传统系统受限于高计算成本且难以完全表示大气的非线性。FuXi-ENS 引入一种可学习的扰动方案用于集合生成，代表一种新型基于人工智能的预报范式。本文系统性地将 FuXi-ENS 与 ECMWF-ENS 进行比较，使用 2018 年全部 90 个全球 TC 事件，检视其在 TC 相关物理变量、路径和强度预报方面的表现，以及相关动力学和热力学场。FuXi-ENS 在预测 TC 相关物理变量方面表现突出，实现更准确的路径预报并显著降低集合扩散，尽管其强度仍低于观测值。进一步的动力学和热力学分析揭示，FuXi-ENS 更好地捕捉了大尺度循环，水汽湍流能更紧密地集中在 TC 温暖核周围，而 ECMWF-ENS 显示更为分散的分布。这些发现凸显了可学习扰动在提升 TC 预报技能方面的潜力，并为推进基于人工智能的极端天气事件集合预报提供了宝贵见解，这些事件对社会影响重大。
引用
@article{arxiv.2510.23794,
title = {Revealing the Potential of Learnable Perturbation Ensemble Forecast Model for Tropical Cyclone Prediction},
author = {Jun Liu and Tao Zhou and Jiarui Li and Xiaohui Zhong and Peng Zhang and Jie Feng and Lei Chen and Hao Li},
journal= {arXiv preprint arXiv:2510.23794},
year = {2025}
}
备注
30 pages, 21 figures, 1 table