数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。

基于水文水动力模型和机器学习模型耦合的河道水位预报方法

为探讨利用水文水动力模型和机器学习模型来提高河道水位预报精度的可行性,首先利用水文水动力模型进行河道水位预报,采用支持向量机模型对水文水动力模型的预报结果进行校正,进而构建了一种耦合水文水动力模型和机器学习模型的河道水位预报模型。在广州市南沙区蕉西水闸的应用结果表明,构建的耦合模型的预报效果优于单一的水文水动力模型,明显地提高了不同预见期下的水位预报精度;尽管随着预见期的增加,耦合模型的预报精度有一定的衰减趋势,但整体上仍优于水文水动力模型提供的水位预报结果。

基于极点对称模态分解的中长期径流预报组合模型

为提高径流预报精度,解决径流序列分解后高频分量波动范围大、预报精度差的问题,基于极点对称模态分解法(ESMD)平稳化处理技术将径流序列分解,通过分析不同频率分量特征,择优选取预报方法,结合粒子群优化最小二乘支持向量机(PSO-LSSVM)全局优化和非线性建模能力及适应性强的特点,对高频分量进行预测,利用BP神经网络非线性映射能力和逼近任意非线性函数的优势对中低频分量和趋势分量进行预报,构建了ESMD-PSO-LSSVM-BP组合预报模型,对西江干流上中下游三座水文站的年、月尺度径流开展中长期径流预报。结果表明,对不同频率分量采用不同预报方法的组合模型可以有效提高径流预报精度。

基于气象条件的上海悬铃木白粉病预报模型

白粉病是上海市悬铃木主要病害,气温和湿度是影响悬铃木白粉病发生发展的主要环境因子。本文基于上海市区2014—2020年悬铃木白粉病病情指数及同期气象资料(气温、相对湿度等),应用数理统计方法分析悬铃木白粉病病情指数与气象条件的关系,建立气象预报模型,为防控悬铃木白粉病提供依据。结果显示:悬铃木白粉病病情指数和6日滑动平均气温、最低相对湿度成正相关,相关系数分别为0.36和0.29(P<0.01);年内6日滑动平均气温首次≥19.2℃时,悬铃木白粉病开始发生;建立的悬铃木白粉病病情指数气象预报模型拟合效果为R2=0.96,RMSE=2.542,独立样本检验效果为R2=0.97,RMSE=1.661,模型效果较好,可用于白粉病气象预报服务。

基于天气预报的泾惠渠灌区参考作物滕发量预报模型研究

农业节水背景下,对泾惠渠灌区参考作物滕发量预报方法进行研究,选用Hargreaves-Samani公式作为预报模型,运用中国气象数据网泾河站2008年~2020年13个年份的气象数据进行SPSS参数反演,并采用2022年的实测气象数据进行验证,表明适合泾惠渠灌区的Hargreaves-Samani模型参数为C=0.00122、a=14.19、m=0.259。通过验证,83.2%验证值相对误差在20%以内,同时表明Hargreaves-Samani模型进行参考作物滕发量预报时,呈现“夏季>春季>秋季>冬季”的精度分布规律,可为灌区灌溉预报和智慧水利发展提供实用的理论依据。

基于VIC模型的三峡库区流域小时尺度实时洪水预报

VIC模型在流域面积大于3 000 km^(2)的大型流域日或月尺度洪水模拟中表现出良好的适用性,而在大型流域小时尺度实时洪水预报过程中的适用性尚未得到验证。以三峡库区大型流域为例,通过建立小时尺度VIC分布式洪水预报模型,构建三峡库区流域实时滚动洪水预报方案,将VIC分布式洪水预报模型实地化部署并应用于2022及2023年三峡库区实时洪水预报。结果表明:VIC模型应用于2014—2021年三峡库区各子流域历史洪水模拟,率定期和验证期的洪量、洪峰平均合格率均在80%以上,确定性系数均值在0.70以上,构建的VIC分布式洪水预报模型在三峡库区及其子流域洪水模拟中表现出良好的适用性;在2022及2023年三峡库区4场典型洪水的实时洪水预报中,径流深和洪峰的平均相对误差达到16.3%和5.0%,重点产流区产流量平均相对误差为7.8%,能够准确把握库区重点产流区的洪量及来水过程,因此VIC模型在大型流域小时尺度实时洪水预报中具有较大的应用潜力。

基于船间水动力近似数学模型的操纵运动预报

船间水动力的确定是研究船舶相遇、追越问题的基础,为快速对追越船间的操纵性能进行预报,提出了船间水动力和力矩预测近似数学模型,建立了追越船间运动数学模型,并对建立的考虑船间水动力的操纵运动预报方法进行了测试研究。基于船间水动力和力矩预测近似数学模型,对舵角、船间水动力和力矩无量纲系数随相对距离的变化规律进行了对比分析,并对不同速度下水动力和力矩系数进行了预报分析,最后将所建立的追越船间运动数学模型与商业导航模拟器预测结果进行对比,同时进行了追越船间的操纵运动预报,结果表明:建立的船间水动力近似数学模型和操纵运动模型预报结果准确,计算速度快,可以用于导航器的仿真系统。

基于灰色Verhulst模型的江西省人口预测

引言。江西是一个人口大省,但经济落后于周边省份,随着国家生育政策的调整,准确预测江西人口变化规律对于江西经济腾飞以及城市规划具有举足轻重的作用,有利于自然资源有序分配和自然环境保护,因此,必须将人口预测上升到实现江西省各方面有序发展的战略高度。把握经济发展和人口变化的相互关系,做好人口发展规划,逐步完善人口发展政策体系,对实现江西省人口与经济、资源协调和可持续发展、全面建成小康社会具有重大意义。

基于鲸鱼优化算法的长短期记忆模型水库洪水预报

洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986-1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986-1993年作为模型的率定期,1994-1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。

河网地区洪水预报模型开发及在长江下游地区的应用

平原水网地区的洪水预报一直是水文学科的难点问题,尤其受人类活动影响剧烈。为了更好地模拟流域水文循环过程,解决工程实际应用中的挑战,提出了一种新颖的分布式架构水文模型。该模型具有分布式特征,能够根据流域特征和需求灵活选择最合适的水文特征单元进行组合,从而支持对不同水文特征单元精确化、理论化的研究。为了实现实时预报功能,还研发了数据库耦合技术、大型河网实时校正技术及水利工程调度技术。在此基础上,应用分布式架构思想建立了太湖流域模型,对其进行了概化处理,并选取2016年实况数据对模型参数进行了率定。通过对太湖水位1 d、2 d、3 d预见期的实时预报,计算成果基本能够反映平原水网地区太湖流域的水流运动实际状况。综合而言,该分布式架构水文模型方法不仅在科学性上得到验证,而且在实现技术上具有可行性,成功地解决了从理念到现实的应用实践问题,为平原水网地区洪水预报提供了新的思路和方法。

小型水库洪水预报模型研究及应用

针对缺资料地区小型水库入库洪水预报难的问题,构建了一种小型水库入库洪水预报模型,其产流模块采用SCS模型,汇流模块采用地貌瞬时单位线,模型参数基于高精度地形地貌数据确定,不依赖于实测流量资料进行模型参数率定,并在安徽省永堌水库进行了应用。采用1818号台风“温比亚”期间永堌水库强降雨洪水进行了验证分析,应用结果表明,构建的模型对该场次洪水过程两次洪峰模拟值与专家反推的入库洪峰较为一致,相对误差分别为3.2%和-11.8%,均在±20%以内,峰现时差均为0,径流深模拟相对误差为-19.2%,确定性系数为0.949,说明建立的小型水库入库洪水预报模型对本次降雨洪水模拟效果较好,对其他小型水库入库洪水预报具有较好的参考和借鉴意义。

基于有效积温法改进婺源油菜花期预报模型

基于1995-2022年婺源油菜观测资料和气象资料,分别以油菜现蕾、抽薹为起点,利用多元线性回归方法对基于有效积温法的油菜花期预报模型进行改进,建立了基于有效积温法模拟预报的普花期与实际日期误差天数的气象因子模型,以提高婺源花期预报模型的精确度。利用模拟精度、均方根误差(RMSE)和相对误差(RE)对改进前后的模拟效果进行对比和评价。结果表明:(1)以0℃为有效积温阈值,以平均有效积温值为有效积温指标对油菜普花期进行初步预报,随普花期临近预报精度提高。(2)相关分析表明,气温是影响油菜普花期的主要气象因子,以2月中旬平均气温、最高气温和最低气温为自变量,以基于有效积温法模拟预报的普花期与实际日期的误差天数为因变量,建立的气象因子改进模型具有统计学意义且通过显著性检验。(3)分别对改进前后的预报模型进行检验和评价,两种方法建立的预报模型效果均较好,气象因子改进模型的模拟结果更优,提高了油菜普花期预报的准确度。以抽薹为起点的气象因子改进预报模型在油菜普花期预报方面精确度最高,可有效应用于油菜普花期预报。

东亚区域人工智能气象大模型预报技巧评估

针对人工智能气象大模型的500 hPa位势高度、2 m气温、10 m风速、降水以及热带气旋路径等,从定性和定量两个角度进行评估。结果表明:从定性角度出发,FuXi、Pangu和GraphCast 3个大模型均会响应热带异常加热,其中Pangu与GraphCast响应强度接近,FuXi响应较弱。从定量角度出发,FuXi整体展现出更高的预报能力,其最大可用预报日数超过9.75 d,Pangu和GraphCast分别为8.75 d和8.5 d。在2 m气温预报中,FuXi的时间异常相关系数为0.48~0.91,Pangu和GraphCast分别为0.43~0.91和0.38~0.83。此外,采用TS(threat score)评分对FuXi和GraphCast降水预报进行评估,FuXi在晴雨、小雨和中雨预报中更具优势,其预报技巧分别为0.22~0.41、0.15~0.24和0.06~0.22,GraphCast在大雨预报中展现更强能力。针对2019年7月29日华北暴雨和2020年8月16—17日乐山暴雨两次极端降水个例进行分析,FuXi和GraphCast均可提前8 d预报降水的空间分布,但在降水量级预报中存在偏差,随着预报时效减小,偏差也逐渐减小。在热带气旋路径预报中,Pangu展现更高精度。

全球气象模型GFDL-SPEAR月降水预报订正与检验

由于全球气象模型产生的原始预报通常包含复杂的误差,为评估新一代的GFDL-SPEAR模型对我国各二级水资源区的适用性,构建伯努利-伽马-高斯模型开展统计订正的对比实验,从逐月与累计降水2个方面评估预报的相关性、系统偏差、可靠性以及预报精度,从而辨析原始预报的误差并分析预报订正的作用。结果表明:GFDL-SPEAR原始预报与观测呈现良好的相关关系,但包含-20%到50%的系统偏差,导致预报可靠性与预报精度较低;伯努利-伽马-高斯模型能够有效订正系统偏差,生成可靠的预报时间序列,使逐月与累计降水的预报精度分别提高约25%和45%;相比总量订正,逐月订正能够进一步提高预报精度。整体上,订正后的GFDL-SPEAR降水预报可为流域水资源调控与防洪抗旱提供6个月乃至1年预见期的重要信息。

基于梯度下降法的大房郢水库洪水预报模型参数率定及适用性研究

大房郢水库长期承担合肥市的防洪、供水任务,准确可靠地开展洪水预报对当地防汛抗旱工作具有重要意义。分别采用新安江模型和前期影响雨量(antecedent precipitation index,API)模型构建大房郢水库入库洪水预报模型,基于梯度下降法对模型参数进行优选,并以方案合格率作为评价指标,对2种模型在该水库的适用性进行分析。结果表明:新安江模型和API模型预报方案合格率均为90.7%,预报精度达到甲等;2种模型在不同预报项目中各有优势,对于洪峰和峰现时差,API模型预报效果更好,预报合格率分别为88.9%和100%,较新安江模型分别提高6.7%和5.9%;对于径流深,新安江模型预报效果更为理想,预报合格率可达94.4%,相对于API模型其提升幅度约13.3%。此外,API模型更适用于单式洪水预报,而新安江模型则更适用于复式洪水预报。研究成果可为提升大房郢水库入库洪水预报精度提供理论依据。

基于粒子群算法最优化Verhulst模型的开采残余下沉预测

矿区开采引起的残余下沉稳定时间长、潜在危害大,有必要准确地预测矿区地表的残余下沉。鉴于传统的残余下沉Verhulst模型建模误差大、适用性弱,在建模过程中以数据序列的首个数据保持不变导致预测效果差的缺陷,以直接离散Verhulst模型为基础,引入粒子群算法寻求模型迭代初始值的最优解,建立基于粒子群算法优化的矿区开采残余下沉直接离散Verhulst模型,并以山西阳泉和山东兖州矿区两个时间尺度的地表残余下沉监测数据集进行实例验证,最后利用MATLAB App Designer工具实现模型算法的可视化。结果表明:基于粒子群算法优化的直接离散Verhulst模型的矿区开采残余下沉预测精度和稳定性增益明显,所开发的计算工具具有正确性和有效性。

基于通用模型平台的秦淮河流域水文预报技术探讨

秦淮河流域位于长江下游,其上游为山区、中游为平原、下游为感潮河网,流域内干支水系叶脉相连,水库、圩区、闸坝等水利工程众多,快速在线滚动洪水预报富有挑战。基于江苏省防汛抗旱预警调度智慧决策系统平台,研究了降雨径流、河段洪水演进、水库调洪等各类通用模型及其算法,考虑流域上游大中型水库及其调度影响,划分了适用于秦淮河水系特点的分布式预报单元,构建了秦淮河流域洪水预报模型,以2024年7月暴雨洪水前垾村控制断面为例进行验证。结果表明,利用在线通用模型算法能够实现快速洪水预报方案构建及其模拟计算,并且具备较好的准确度,可为秦淮河流域洪水预报与调度决策提供有力的技术支撑。

基于人体热量平衡模型的天津地区中暑气象风险预报技术研究

基于2016—2020年天津市中暑门诊和住院就诊数据,利用广义相加模型和分布滞后非线性模型对气象要素与中暑就诊率的关系进行了分析,引入人体热量平衡模型和热舒适评价指标(PMV),建立了本地化中暑气象风险预警指标。结果表明:天津地区中暑门诊人数和住院人数集中在每年6月下旬到8月上旬,5年中84%的中暑高发事件集中在6次连续过程中,其发生与当日和前一日气象条件相关性最高,当最高气温大于35℃时,中暑人数明显增多。男性比女性更易中暑,老人就诊率显著高于一般人群。中暑就诊率与平均气温、最高气温、相对湿度、太阳辐射强度呈正相关,与平均气温相关性最强,与风速呈负相关。引入人体热量平衡模型,显示PMV与中暑就诊率的相关性高于任何单一气象要素,PMV在评价中暑气象风险方面具备明显优势。并且,以PMV为关键指标形成预报方程。

承德北部空气负氧离子浓度特征及预报模型

利用承德北部丰宁县2020年1月1日—2022年5月31日2个空气负氧离子站监测资料,以及同期的气象环境数据,分析负氧离子浓度时间变化特征、与气象环境要素的时序关系及关键影响因素,建立负氧离子浓度的预测模型。结果表明:丰宁城市公园、林区的负氧离子浓度年均值分别为1358.7、1955.8个/cm^(3),日平均最大值分别为3867、5845个/cm^(3),具有治疗和康复功效的自然环境条件;城市公园和林区的负氧离子浓度月变化均呈“单峰”型分布,峰值分别出现在7月(1889.5个/cm^(3))、8月(2516.3个/cm^(3)),最小值均出现在1月,林区各月浓度明显高于城市公园;负氧离子浓度日变化均呈“双峰”型,峰值分别出现在06时及20时前后,最小值出现在14时前后,夜间浓度均大于白天;城市公园、林区的负氧离子浓度与气温、降水量、相对湿度、风速、日照及PM_(2.5)、O_(3)浓度显著相关,城市公园受气象环境要素影响更大;利用多元回归方法,分别建立城市公园和林区的负氧离子浓度预报模型,2个模型的预报准确率>70%的占比分别为80.9%、73.7%,拟合效果良好。

基于ECMWF模式漏报的青岛沿海大风预报模型及其应用

基于数值预报模式漏报大风建立相应的预报模型,有助于提高我国沿海地区大风预报能力。首先,筛选2016—2019年历年青岛沿海地区大风个例,获得欧洲中期天气预报中心(ECMWF)高分辨率模式(简称EC模式)漏报的大风过程数据集;然后,基于支持向量机(Support Vector Machine,SVM)、人工神经网络(Artificial Neural Network,ANN)和长短期记忆网络(Long Short-Term Memory,LSTM)三种算法,分别建立青岛沿海大风预报模型,对EC模式预报的风速进行订正;最后,经对比分析,筛选出适合青岛沿海大风预报的模型(即基于SVM算法建立的预报模型SVM_2),并对其进行业务应用效果检验。结果显示,SVM_2模型相比其他模型预报的大风误差最小。为了检验SVM_2模型对大风过程的预报效果,选取不同天气系统影响下青岛发生的两个沿海大风个例,对SVM_2模型和EC模式预报误差作进一步检验,结果表明SVM_2模型预报的最大风速与实况的误差明显小于EC模式,且该模型对EC模式预报的青岛沿海大风偏弱有一定改善。