FuXi-ENS：一种中程集合天气预报的机器学习模型
内容提要
FuXi天气预报系统是首个基于机器学习的全球15天天气预报系统，其表现与ECMWF相当。研究还介绍了FengWu和FuXi-S2S模型，后者在次季节预测中表现优越，能够提供高达42天的预测。基于深度学习的集成预测系统也展现了良好性能，但在极端天气预测方面仍需改进。
延伸解读
机器学习天气预报的进展与挑战
文章指出，FuXi是首个基于机器学习的全球15天预报系统，性能与ECMWF相当，但机器学习模型在极端天气预测上存在低估强度的挑战，且外推能力可能受限。这提示读者，尽管ML模型发展迅速，但在极端事件和长期预报中仍需谨慎对待其输出。
次季节预测的突破与局限
FuXi-S2S模型提供高达42天的次季节预测，在总降水、出射长波辐射和500 hPa位势高度等方面优于ECMWF，并将MJO预测从30天延长至36天。然而，多模式集成系统在4周预报中，经偏差修正后ECMWF仍略有优势，表明ML模型在次季节尺度上已接近但未全面超越传统方法。
极端天气预测的改进策略
针对对称损失函数导致极值低估的问题，研究提出了Exloss和ExEnsemble策略。Exloss通过非对称优化突出极值，ExEnsemble则无需训练即可增强极值。实验表明，这些方法能使ML模型在极端天气预测上达到与顶级中期预报模型相当的准确性，为改进极端事件预报提供了可行方向。
Q&A
FuXi天气预报系统的主要特点是什么？
FuXi天气预报系统是首个基于机器学习的全球15天天气预报系统，其表现与ECMWF相当。
FuXi-S2S模型的预测能力如何？
FuXi-S2S模型能够提供高达42天的次季节预测，展示出优越的确定性和集合预测能力。
FengWu系统与传统天气预报方法相比有什么优势？
FengWu系统从多模态和多任务的角度解决中程天气预报问题，性能优于现有方法。
FuXi模型在极端天气预测中面临哪些挑战？
FuXi模型在预报提前时间增加时，预测结果变得平滑，从而低估极端天气事件强度。
如何提高极端天气预报的准确性？
可以使用Exloss和ExEnsemble策略来提高极端天气预报的准确性。
基于深度学习的集成预测系统在短期预测中的表现如何？
基于深度学习的集成预测系统在4-6周的前导时间内表现良好，但在短期预测中略逊于ECMWF。
