摘要
基于机器学习(Machine Learning,ML)的天气预报模型近些年取得了显著进展,展示了优越的预报性能.与欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)的高分辨率预报(High-Resolution Forecasts,HRES)相比,FuXi等先进的基于ML的天气预报模型,在统计预报指标上表现出色.然而,这些模型存在着共同的局限性,即随着预报时间步长的增加,预报结果趋于平滑,导致极端天气事件强度的低估.为了解决这一问题,本文研发了FuXi-Extreme模型.该模型采用去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM),增强了FuXi模型在5天预报中的地表预报数据细节.对极端总降水量(Total Precipitation,TP)、10m风速(10-meter Wind Speed,WS10)和2m温度(2-meter Temperature,T2M)的评估表明,FuXi-Extreme在性能上优于FuXi和HRES.此外,基于国际热带气旋最佳路径资料集(International Best Track Archive for Climate Stewardship,IBTrACS)的评估显示,与HRES相比,FuXi和FuXi-Extreme在热带气旋(Tropical Cyclone,TC)路径预报方面表现优异,但在TC强度预报方面仍有不足.
出处
《中国科学：地球科学》
CSCD
北大核心
2024年第12期3734-3747,共14页
Scientia Sinica(Terrae)
基金
中国博士后科学基金项目(GZB20240154)资助。
