使用 FourCastNetv2 与初始条件随机扰动对飓风 Florence AI 预测的鲁棒性测试

了解天气预报模型对输入噪声或不同不确定性的鲁棒性，对于评估其输出可靠性至关重要，对于飓风等极端天气事件尤为如此。在本文中，我们测试了一个人工智能（AI）天气预报模型的敏感度与鲁棒性：NVIDIA 的 FourCastNetv2 (FCNv2)。我们进行了两项实验，旨在评估在模型初始条件中注入不同级别噪声下的模型输出。首先，我们用不同强度的高斯噪声扰动来自欧洲中期天气预报中心（ECMWF）再分析 v5 (ERA5) 数据集（2018年9月13-16日）的飓风 Florence 的初始条件，并考察其对预测轨迹和预报风暴强度的影响。其次，我们使用完全随机的初始条件启动 FCNv2，并观察模型对无意义输入的响应。我们的结果表明，FCNv2 在低至中等噪声注入下能够准确保留飓风特征。即使在极高噪声水平下，模型仍能维持总体风暴轨迹和结构，尽管位置精度开始下降。在所有注入噪声水平下，FCNv2 均持续低估风暴强度与持久性。在完全随机初始条件下，模型在几个时间步后生成了平滑且连贯的预报，这意味着模型倾向于稳定、平滑的输出。我们的方法简单，且可移植到其他数据驱动的 AI 天气预报模型。