推进数据驱动的天气预报: ERA5 的滑动时间数据增强
内容提要
本文综述了数据驱动与深度学习在全球天气预报中的进展：图神经网络能精准预测数天后天气，性能媲美GFS和ECMWF；混合模型、UNet++、扩散模型和GAN分别改进了降水、月温度及极端降雨预测；FengWu-Adas组合超越IFS；数据同化与机器学习结合提升了预报准确性。
延伸解读
数据驱动天气预报的进展脉络
文章按时间顺序梳理了2021年至2024年数据驱动天气预报的关键进展。从图神经网络实现与GFS、ECMWF物理模型可比的多天预报，到混合模型改进短期降水，再到UNet++预测月温度、FengWu-Adas组合超越IFS，以及扩散模型和GAN在降水与极端降雨中的应用，展示了该领域从单一模型向混合、集成和生成式方法演进的趋势。
数据同化与机器学习的结合效果
文章提到将数据同化与机器学习结合可提升预报准确性。例如，FengWu-Adas组合在七天预报中超过IFS；另一项研究利用ERA5 850hPa温度数据和改进的U-STN12模型针对英国气候预测，发现同化大气数据显著增强模型准确性，但直接同化地表温度数据反而减弱增强效果。这表明同化策略需谨慎选择变量。
不同模型在预报时效上的表现差异
文章指出，基于CNNs的深度学习气象预测集成系统DLWP在4-6周前导时间内表现良好，但在更短前导时间内稍差于ECMWF。而图神经网络方法在数天后预报中与GFS和ECMWF全分辨率相当。这提示读者，数据驱动模型在不同预报时效上各有优劣，实际应用中需根据时效需求选择合适模型。
极端降雨预测的改进方向
文章提到，利用生成对抗网络（GAN）优化FourCastNet，能更有效捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。同时，扩散模型在降水空间预测任务中显著优于其他深度学习模型。这些方法针对极端事件和降水空间分布进行了专门改进，为提升灾害性天气预警能力提供了新思路。
Q&A
图神经网络在天气预报中能达到什么水平？
使用图神经网络的数据驱动方法可以产生数天后的精准预报，测试表现优于以前的数据驱动方法，并且与GFS和ECMWF的物理模型的全分辨率相当可比。
FengWu-Adas组合系统在天气预报中表现如何？
FengWu-Adas组合系统表现出高水平的预报技能，在七天的天气预报中超过了集成预报系统(IFS)。
扩散模型在天气预报中有哪些应用？
扩散模型可用于实现具有灵活性和可控性的天气预报系统，能够整合数值天气预报，并结合持续性和气候数据以提高长期预测稳定性；还可处理降水现在空间预测任务，效果显著优于其他深度学习模型。
数据同化与机器学习结合对天气预报有什么影响？
数据同化与机器学习结合可以提升预报准确性。例如，利用ERA5 850hPa温度数据和改进的U-STN12模型，将大气数据整合到DA中显著增强了模型准确性，但直接同化地表温度数据倾向于减弱这种增强效果。
GAN如何改进极端降雨预测？
使用生成对抗网络(GAN)优化了最先进的深度学习降水模型(FourCastNet)，从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。
深度学习模型在月温度预测中效果如何？
基于UNet++的深度学习模型，利用ERA5重分析数据集和全球CMIP6模型进行训练和验证，可以显著提高未来一个月全球温度的预测准确度。
