【AI气象强短强13】基于 Pangu-weather AI 驱动的区域 WRF 模型改进华北极端降水预报

最新推荐文章于 2025-04-26 11:07:26 发布

小春shi

最新推荐文章于 2025-04-26 11:07:26 发布

阅读量737

点赞数 16

文章标签：人工智能

本文链接：https://blog.csdn.net/weixin_51473374/article/details/146172069

版权

0.论文背景

英文名：Improvement of disastrous extreme precipitation forecasting in North China by Pangu-weather AI-driven regional WRF model

引用：Xu, Hongxiong, et al. "Improvement of disastrous extreme precipitation forecasting in North China by Pangu-weather AI-driven regional WRF model." Environmental Research Letters 19.5 (2024): 054051.

1. 研究背景

1.1 气候变化与极端降水

近年来，极端降水事件（Extreme Precipitation, EP）在全球范围内频繁发生，给社会经济和生态环境带来严重影响。
传统数值天气预报（NWP）在预测中小尺度降水事件时存在局限性，主要原因包括：
- 分辨率较低，难以捕捉局地对流降水特征。
- 回归算法的局限性，导致极端降水预测不准确。
- 降水变量的不确定性，影响预测精度。

1.2 研究目标

结合 AI 与传统 WRF 模型，以提高极端降水事件的预报能力。
研究 Pangu-weather AI 在极端降水预测中的优势，对比其与传统 GFS（全球预报系统）模式的预测能力。
通过华北 2023 年 7 月 29 日至 8 月 1 日的极端降水事件，验证 AI-驱动 WRF 模型的有效性。

2. 研究方法

2.1 数据集

中国气象局（CMA）降水分析数据集：1km 空间分辨率，每小时更新，结合了 30,000+ 雨量站数据和卫星观测数据。
ERA5 资料：来自 ECMWF（欧洲中期天气预报中心），用于分析天气背景场。
NCEP 全球高空观测数据：用于评估模型预报准确性。

2.2 Pangu-weather 预测

Pangu-weather AI 是基于 深度学习的全球天气预测系统，采用 3D 神经网络，训练数据涵盖 1979-2017 年的 ERA5 数据。
该 AI 预测系统在部分天气条件下优于传统 NWP，但在极端降水事件上的精度仍待提高。

2.3 WRF 模型

采用 WRF 4.2.1 版本，设定双嵌套网格：
- 外层网格：12km 分辨率，覆盖东亚地区。
- 内层网格：3km 分辨率，专注于华北区域。
采用 50 层垂直网格，涵盖从地表到 50 hPa 的大气结构。

2.4 试验设计

设计 9 组试验，使用 Pangu-weather 和 GFS 预测数据 作为 WRF 模型的初始条件：
- Pangu 试验组（WRF_Pangu）：以 Pangu 预测数据驱动 WRF 模型。
- GFS 试验组（WRF_GFS）：以传统 GFS 预测数据驱动 WRF 模型。
关键时间点：
- Pangu_2312（2023 年 7 月 23 日 12:00 UTC）
- Pangu_2600（2023 年 7 月 26 日 00:00 UTC）
- Pangu_2812（2023 年 7 月 28 日 12:00 UTC）
- 相应地设置 GFS 试验。

2.5 评估指标

均方根误差（RMSE） 和 偏差（Bias）：评估初始条件准确性。
威胁评分（TS）：衡量极端降水预测的准确度（0-1，越高越好）。
命中率（Hit Rate）与误报率（False Alarm Rate）：分析预测可靠性。

3. 研究结果

3.1 气象背景

台风杜苏芮（Doksuri） 2023 年 7 月 29 日至 8 月 1 日在华北引发极端降水：
- 北京最高降水量达 744.8mm，全市平均 276.5mm。
- 河北省最大降水量 1003mm，26 个气象站破历史记录。
极端降水受 副热带高压（WPSH）、台风水汽输送、地形影响 共同作用。

3.2 Pangu-weather 预测能力

3.2.1 水汽通量预测

Pangu-weather 在 水汽输送预测 方面表现稳定：
- 预测的水汽通量分布与 ERA5 再分析数据接近，特别是在 台风杜苏芮影响区域。
- 预测误差随时间增加，但相比 GFS 模型，Pangu 的误差增长较小。

3.2.2 温度与湿度预测

Pangu-weather 对 低层湿度和地势高度 预测精度较 GFS 更高：
- 低层大气水汽含量误差更小，说明 AI 预测对水汽输送更敏感。
- 位势高度预测偏差更小，说明对环流背景场的模拟更精确。

3.3 AI-驱动 WRF 预测表现

3.3.1 降水空间分布

WRF_Pangu_2812 试验（AI-驱动 WRF）能较准确模拟：
- 极端降水的 空间分布，特别是 250mm 以上的降水区域。
- 但在河北西部有一定程度的降水高估。
WRF_GFS 试验（传统 GFS-驱动 WRF）表现：
- 降水分布误差较大，尤其是 WRF_GFS_2312 试验，预测几乎没有降水。

3.3.2 降水定量评估

TS 评分：
- WRF_Pangu_2812 在 600mm 阈值 处 TS 评分>0.1。
- WRF_GFS_2812 仅在 500mm 阈值 处 TS > 0.1，整体预测偏弱。
命中率 vs 误报率：
- WRF_Pangu_2600 试验 误报率稍高，可能因降水范围扩大导致。

3.3.3 台风路径评估

Pangu-驱动 WRF 更准确地模拟了杜苏芮路径：
- WRF_Pangu_2312 & WRF_Pangu_2600 能较好模拟 台风移动路径。
- WRF_GFS 试验存在较大误差，导致降水中心偏移。

4. 研究结论

AI-驱动 WRF 预测较传统 GFS-驱动 WRF 更精准：
- 在极端降水的 时空分布 及 强度预测 方面表现更佳。
Pangu-weather 误差增长较慢，预测稳定性更高：
- 在 8.5 天预报时，TS 评分仍大于 0.1，而 GFS 仅能维持 3 天。
AI 结合物理模型是未来天气预报的关键方向：
- Pangu+WRF 模式可用于改进区域极端天气预测。